Assur-KB
一种基于Assur图分解的机制设计表示学习方法，通过显式表示可复用的约束子装配体（不可约模块）来提升模型在有限数据下的预测能力。
时间轴 (近 90 天)
Assur-KB 将平面机构分解为不可约模块（Assur组），每个模块自由度为零，并显式建模边界接口和求解依赖关系，同时保留源几何信息。
论文通过控制实验（同一MLP架构、相同超参数搜索空间和训练轮数，仅输入表示不同）证明，Assur导出的特征在样本效率上具有几何平均1.8倍的优势，覆盖50到10000个机构的训练预算。
论文给出了理论结果，刻画了通过模块接口进行迁移的条件，并指出物理极限来源于缺失的接口信息和累积敏感度。
在测试的关节重标记下，Assur-KB 表示保持不变性。
在二元组合下，Assur-KB 表示获得更高的有效生成率。
研究者构建了超过1002万个机构上更粗粒度的结构索引。
Assur-KB 目前聚焦于平面机构，向三维机构和更复杂系统的扩展仍需进一步研究。
样本效率指模型达到某一性能水平所需的训练样本数量；几何平均1.8倍优势意味着使用Assur特征的模型达到相同预测误差所需样本数约为基线的1/1.8。
Assur-KB 的研究表明，将物理约束分解为可复用模块并显式建模接口，是一种值得借鉴的表示设计原则。
全部知识事实 (9)
Assur-KB 将平面机构分解为不可约模块（Assur组），每个模块自由度为零，并显式建模边界接口和求解依赖关系，同时保留源几何信息。
50%待验证论文通过控制实验（同一MLP架构、相同超参数搜索空间和训练轮数，仅输入表示不同）证明，Assur导出的特征在样本效率上具有几何平均1.8倍的优势，覆盖50到10000个机构的训练预算。
50%待验证论文给出了理论结果，刻画了通过模块接口进行迁移的条件，并指出物理极限来源于缺失的接口信息和累积敏感度。
50%待验证在测试的关节重标记下，Assur-KB 表示保持不变性。
50%待验证在二元组合下，Assur-KB 表示获得更高的有效生成率。
50%待验证研究者构建了超过1002万个机构上更粗粒度的结构索引。
50%待验证Assur-KB 目前聚焦于平面机构，向三维机构和更复杂系统的扩展仍需进一步研究。
50%待验证样本效率指模型达到某一性能水平所需的训练样本数量；几何平均1.8倍优势意味着使用Assur特征的模型达到相同预测误差所需样本数约为基线的1/1.8。
50%待验证Assur-KB 的研究表明，将物理约束分解为可复用模块并显式建模接口，是一种值得借鉴的表示设计原则。
50%