坐标矩阵机：一种用于分类高度相似文档的人类级概念学习模型

人类级概念学习认为，人类通常从单一示例中学习新概念，而机器学习算法通常需要数百个样本才能学习单一概念。我们的大脑潜意识地识别重要特征并更有效地学习。贡献：在本文中，我们提出了坐标矩阵机（CM$^2$）。这种专用小型模型通过学习文档结构并利用这些信息对文档进行分类，从而增强人类智能。尽管现代“红色 AI”趋势依赖大规模预训练和耗能的 GPU 基础设施，CM$^2$ 被设计为一种绿色 AI 解决方案。它通过仅识别人类会考虑的结构性“重要特征”来实现人类级概念学习，从而能够仅用每类一个样本对高度相似的文档进行分类。优势：我们的算法优于需要更大数据集和大量计算的传统向量化器和复杂的深度学习模型。通过关注结构坐标而非详尽的语义向量，CM$^2$ 提供：1. 极少数据下的高准确率（单样本学习）2. 几何与结构智能 3. 绿色 AI 与环境可持续性 4. 针对纯 CPU 环境优化 5. 固有的可解释性（玻璃盒模型）6. 更快的计算与低延迟 7. 对不平衡类别的鲁棒性 8. 经济可行性 9. 通用、可扩展且可延伸。