非显而易见法律服务网

技术特征描述以及公开性判断结果	对比文件原文引用	公开性论述
技术特征A：包括：用第一预先训练的分类器来确定多个所存储图像的特征，<br>《隐含公开》	说明书第[0090]段：“In the exemplary embodiment, however, two classifiers 58, 60 are trained, one using the first modality object representations and the other using the second modality object representations.”	对比文件公开了训练和使用分类器（如SVM）来确定对象（如电子邮件）的特征表示（representation）。虽然对比文件处理的是电子邮件（文本和社交网络特征），而目标专利处理的是图像特征，但两者在“使用预先训练的分类器来确定所存储数据（对象/图像）的特征”这一技术手段上是相同的。本领域技术人员可以毫无困难地将对比文件中公开的“训练并使用分类器基于提取的特征生成对象表示”这一概念，应用于图像数据，从而推理出“用预先训练的分类器来确定多个所存储图像的特征”。因此，该技术特征被对比文件隐含公开。
技术特征B：所述多个所存储图像的特征不同于用于训练所述第一预先训练的分类器的多个训练图像<br>《隐含公开》	说明书第[0117]-[0119]段：“In the exemplary embodiment, it is assumed that only positively labeled examples are available, with no negatively labeled samples. ... It is also assumed that only a small set of positively labeled e-mails are available ... The positive items are assumed to be drawn from a certain distribution, whereas the negatives are everything else.”	对比文件描述了其分类器是在一个小的、已标记的“正例”数据集（训练集）上训练，然后用于对大量未标记的数据（测试集）进行分类。训练集（已标记的电子邮件）和测试集（未标记的电子邮件）是不同的数据集。虽然对比文件未明确声明训练图像与存储图像不同，但其描述的“仅使用少量正例训练，然后对大量未标记数据进行分类”的范式，隐含了分类器所处理的未标记数据（相当于“所存储图像”）的特征，与用于训练的已标记数据（相当于“训练图像”）的特征来源于不同集合。本领域技术人员可以合理推断出这一区别。因此，该技术特征被对比文件隐含公开。
技术特征C：至少部分地基于所确定的特征来将所述多个所存储图像中的每一个图像指派给多个群集中的群集<br>《隐含公开》	说明书第[0128]-[0130]段：“In the Mapping Convergence method, given a hypothesis h, items that are further from the decision boundary are classified with a higher probability. ... This first approximation of the negative distribution serves as input for a converging stage to move the boundary towards the positive training examples. ... The boundary which most closely fits around the remaining samples thus converges towards the boundary around the known positive samples.” 以及算法1（Algorithm 1: Mapping Convergence）。	对比文件公开的Mapping Convergence算法（一种半监督学习方法）本质上是一个迭代分类过程。在该过程中，未标记的对象基于其与决策边界的距离（即基于其特征）被逐步分类（指派）为正类或负类。虽然对比文件使用的是“正类/负类”的二分类，而目标专利是“多个群集”，但将对象基于其特征指派到一个类别（或群集）的核心思想是相同的。本领域技术人员可以从“基于特征将对象分类到不同类别”推理出“基于特征将图像指派给多个群集中的某一个”。因此，该技术特征被对比文件隐含公开。
技术特征D：基于所述图像离对应于所述图像的最接近的群集中心的距离小于第一阈值、与所述最接近的群集中心相关联的预定义图像数目小于第二阈值、和/或与最接近的群集中心相关联的图像百分比小于第三阈值来向所述多个所存储图像中的图像指派标记<br>《直接公开》	说明书第[0132]段：“For the first hypothesis h0, C1 is trained on the set of positives P to identify a small set of the strongest negatives {circumflex over (N)}0 (e.g., less than 10% of U) from among the unlabeled dataset U.” 以及第[0147]段算法2中：“{circumflex over (N)}i+1(k) strong negatives (≦5%) in {circumflex over (P)}i(k)”。	对比文件在Mapping Convergence和Mapping Co-Convergence算法中，明确公开了基于百分比阈值来为未标记数据指派（负）标记。具体而言，算法选择未标记数据集中最可能是负例的“最强负例”，其数量被限制为不超过未标记数据集（或上一轮剩余的正集）的一定百分比（例如10%或5%）。这直接公开了“基于与最接近的群集中心（在对比文件中是‘正类’或决策边界）相关联的图像百分比小于第三阈值来指派标记”这一技术特征。虽然对比文件使用的是“正/负”标记而非多群集标记，但基于百分比阈值进行标记指派的技术手段完全相同。
技术特征E：修改所指派的标记<br>《未公开》	无相应内容。	对比文件描述的是一个自动的、迭代的算法过程，用于从未标记数据中推断出标记。在整个过程中，标记的指派是由算法根据决策边界和置信度自动完成的。没有公开任何由用户或外部干预来“修改”已指派标记的步骤、功能或意图。该特征涉及系统与用户的交互以及对自动分类结果的修正，在对比文件中完全没有记载或暗示。
技术特征F：当所述所指派的标记被修改时用所述图像来重新训练所述第一预先训练的分类器<br>《未公开》	无相应内容。	如上所述，对比文件没有公开“修改所指派的标记”这一特征。因此，基于修改标记而触发的“重新训练分类器”这一后续步骤自然也没有被公开。对比文件中的重新训练发生在算法迭代内部（如算法1第6步），目的是为了更新决策边界以发现更多负例，而不是响应用户对标记的修改。
技术特征G：以及至少部分地基于所述预先训练的分类器来对所述图像重新分类。<br>《隐含公开》	说明书第[0132]段算法1（Algorithm 1: Mapping Convergence）中的循环步骤（第4-9行）：在每次迭代中，用更新后的负集N重新训练分类器C2（第6步），然后用新的假设hi+1对剩余的正集{P}i进行分类（预测），以识别新的负例和正例（第7步）。	对比文件公开的Mapping Convergence算法是一个迭代过程。在每一轮迭代中，系统都会使用更新后的训练数据（增加了新发现的负例）重新训练分类器，然后用这个新训练的分类器对之前未被标记为负的数据重新进行分类，以识别出更多的负例。这实质上公开了“基于重新训练的分类器对数据进行重新分类”这一技术特征。虽然目标专利中重新分类的触发条件是“标记被修改”，而对比文件是算法迭代，但“使用更新后的分类器执行重新分类”的核心操作是相同的。本领域技术人员可以合理推断出这一过程。
技术特征H：其特征在于，所述第一预先训练的分类器是支持向量机器(SVM)、逻辑回归、最接近的邻居、或多层感知器(MLP)。<br>《直接公开》	说明书第[0076]段：“While a variety of classifier learning methods may be used for text as well as social network features, such as support vector machines (SVM), naïve Bayes, and neural networks...” 以及第[0117]段：“Support Vector Machines (SVMs) can be used for both the text-based and social network-based views of the objects.”	对比文件明确且直接地公开了其所使用的分类器包括支持向量机（SVM）和神经网络（neural networks）。多层感知器（MLP）是神经网络的一种常见形式。因此，目标专利权利要求中限定的分类器类型（SVM、MLP）已被对比文件直接公开。
技术特征I：其特征在于，进一步包括，至少部分地基于对应的标记来将所述多个所存储图像中的图像分类到群中。<br>《隐含公开》	说明书第[0120]段：“With the trained classifier system 34, labels 28 for unlabeled objects are predicted, based on their vector representations. The corresponding objects for the set labeled positive can then be subjected to a manual review.”	对比文件公开了使用训练好的分类器系统为未标记对象预测标签（labels）。一旦对象被赋予了标签（如“正/负”或“响应/非响应”），它们实质上就根据这些标签被分成了不同的组（例如，所有标记为“正”的对象构成一组，用于后续的人工审查）。这相当于“基于对应的标记将对象分类到群中”。虽然对比文件的“群”是二分类的“正类”和“负类”，而目标专利可能是多类别，但基于标记进行分类分组的基本原理是相同的。
技术特征J：其特征在于，进一步包括，至少部分地基于对应的群来将所述多个所存储图像中的每个图像放置到文件夹中。<br>《未公开》	无相应内容。	对比文件完全专注于文档（电子邮件）的分类算法和流程，其输出是预测的标签（如“响应/非响应”）。说明书没有提及任何关于将分类后的对象（电子邮件）组织或存储到“文件夹”（folder）中的内容。该特征涉及文件系统的管理操作，超出了对比文件所关注的分类方法本身。
技术特征K：其特征在于，进一步包括，使用非特定名称来命名所述文件夹。<br>《未公开》	无相应内容。	由于对比文件未公开“将图像放置到文件夹中”（特征J），因此与之相关的“命名文件夹”这一特征自然也未被公开。
技术特征L：其特征在于，进一步包括，使用第二预先训练的分类器来确定特定文件夹名称。<br>《未公开》	无相应内容。	对比文件未涉及文件夹命名功能，更未提及使用任何分类器来确定文件夹名称。
技术特征M：其特征在于，进一步包括，使用所述第二预先训练的分类器、至少部分地基于与相关联的群的标记相关联的群集中心的分类来确定所述特定文件夹名称。<br>《未公开》	无相应内容。	同上，该特征未被公开。
技术特征N：其特征在于，所述特定文件夹名称进一步至少部分地基于关于给定文件夹的所标记图像的多数裁定规则来确定。<br>《未公开》	无相应内容。	同上，该特征未被公开。
技术特征O：其特征在于，进一步包括，接收修改特定文件夹名称或指派新的特定文件夹名称的用户输入。<br>《未公开》	无相应内容。	对比文件未描述任何与用户交互以修改或指派文件夹名称的接口或功能。
技术特征P：其特征在于，进一步包括，至少部分地基于群集中心或者至少一个所标记的图像特征向量来重新训练第二预先训练的分类器以包括经修改的特定文件夹名称或所述新的特定文件夹名称。<br>《未公开》	无相应内容。	由于特征O（用户修改文件夹名称）和特征L/M（使用分类器确定文件夹名称）均未公开，因此基于用户修改来重新训练分类器以更新文件夹名称的相关特征也未被公开。
技术特征Q：其特征在于，进一步包括，至少部分地基于确定新图像的特征向量和应用所述分类器以确定所述新图像的群来将所述新图像放置在文件夹中。<br>《未公开》	无相应内容。	对比文件描述了将新对象（电子邮件）输入训练好的分类器系统以预测其标签（第[S220]段），但并未公开将这些新对象“放置在文件夹中”这一后续管理操作。
技术特征R：其特征在于，进一步包括，接收修改所述所指派的标记的用户输入。<br>《未公开》	无相应内容。	对比文件中的标记指派完全由算法自动完成，未提供任何由用户修改已指派标记的机制或步骤。
技术特征S：其特征在于，至少部分地基于将所述图像从第一文件夹移至第二文件夹的用户输入来修改所述所指派的标记。<br>《未公开》	无相应内容。	该特征涉及通过图形用户界面（GUI）操作（拖放文件）来修改标记，对比文件中完全没有此类内容的记载。
技术特征T：其特征在于，进一步包括，与第二用户共享至少一个分类器或群集中心列表。<br>《未公开》	无相应内容。	对比文件仅涉及在单一系统或环境中训练和使用分类器，未提及在不同用户或设备之间共享分类器或群集中心列表的功能。
技术特征U：其特征在于，所共享的群集中心列表与所述第二用户的群集中心列表相组合以创建用于所述第二用户的图像的标记并且更新用于所述第二用户的分类器。<br>《未公开》	无相应内容。	同上，由于特征T未公开，该依赖于此的进一步组合与更新步骤也未被公开。
技术特征V：其特征在于，进一步包括，与所述第二用户共享用户为类别或群集定义的种类。<br>《未公开》	无相应内容。	对比文件未涉及用户自定义类别（种类）并与其他用户共享的功能。