arXiv cs.AI· Jo\~{a}o Pedro Gandarela, Thiago Rios, Stefan Menzel, Andr\'{e} Freitas·· 13 小时前AI 评分29
Assur-KB：用可复用约束子组件提升机构设计学习效率
Efficient Learning of Mechanism Designs and Compositionality
AI 导读
Assur-KB 通过不可约模块、边界接口与求解依赖来表示平面机构，并保留源几何信息，在 50-10,000 个机构的训练预算下，其派生特征相比扁平邻接与位置输入的样本效率几何平均提升 1.8 倍。
正文 · AI 翻译
摘要：学习机构行为需要一种表示，用以刻画相互连接的部件如何共同约束运动。我们研究暴露可复用的约束子组件是否能改善有限数据下的预测。Assur-KB 通过不可约模块、边界接口和求解依赖来表示平面机构，同时保留源几何。我们的理论结果刻画了通过模块接口的迁移，并确立了由缺失接口信息和累积敏感性产生的物理极限。为直接检验该表示主张，实验设计在同一多层感知机族内，跨不同训练预算比较匹配的机构-曲线对。这一受控比较确立了完整表示在所评估学习环境中的效用。在 50-10,000 个机构的预算范围内，Assur 派生特征在样本效率上相较扁平化邻接和位置输入提供了几何平均 $1.8\times$ 的优势。单独的实验确立了在测试的关节重标记下的不变性、在二元组合下更高的有效生成率，以及在 10.02 百万个机构上的更粗粒度结构索引。总之，理论和实验识别了物理约束结构如何支持有限数据预测，以及哪些接口条件支配组合复用。
| 学科： | 人工智能（cs.AI）；计算工程、金融与科学（cs.CE） |
| 引用为： | arXiv:2610.40005 [cs.AI] |
| （或 arXiv:2610.40005v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.40005 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：João Pedro Gandarela [查看电子邮件]
[v1]
2026 年 10 月 29 日星期四 13:23:44 UTC（806 KB）
来源：arXiv cs.AI · arxiv.org