論文の概要: Solar cell patent classification method based on keyword extraction and
deep neural network
- arxiv url: http://arxiv.org/abs/2109.08796v1
- Date: Sat, 18 Sep 2021 01:30:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-21 16:24:24.319839
- Title: Solar cell patent classification method based on keyword extraction and
deep neural network
- Title（参考訳）: キーワード抽出とディープニューラルネットワークを用いた太陽電池特許分類法
- Authors: Yongmin Yoo, Dongjin Lim, Tak-Sung Heo
- Abstract要約: 太陽電池特許分析の研究価値は非常に高いと言える。
特許文書を正確に分析して分類できることは、いくつかの重要な技術的関係を明らかにすることができる。
ディープニューラルネットワークに基づく太陽電池特許分類モデルにより、電力特許を分類する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: With the growing impact of ESG on businesses, research related to renewable
energy is receiving great attention. Solar cells are one of them, and
accordingly, it can be said that the research value of solar cell patent
analysis is very high. Patent documents have high research value. Being able to
accurately analyze and classify patent documents can reveal several important
technical relationships. It can also describe the business trends in that
technology. And when it comes to investment, new industrial solutions will also
be inspired and proposed to make important decisions. Therefore, we must
carefully analyze patent documents and utilize the value of patents. To solve
the solar cell patent classification problem, we propose a keyword extraction
method and a deep neural network-based solar cell patent classification method.
First, solar cell patents are analyzed for pretreatment. It then uses the
KeyBERT algorithm to extract keywords and key phrases from the patent abstract
to construct a lexical dictionary. We then build a solar cell patent
classification model according to the deep neural network. Finally, we use a
deep neural network-based solar cell patent classification model to classify
power patents, and the training accuracy is greater than 95%. Also, the
validation accuracy is about 87.5%. It can be seen that the deep neural network
method can not only realize the classification of complex and difficult solar
cell patents, but also have a good classification effect.
- Abstract（参考訳）: ESGが企業に与える影響の増大に伴い、再生可能エネルギーに関する研究が注目されている。
太陽電池はその1つであり、それゆえ、太陽電池特許分析の研究価値は非常に高いと言える。
特許文書は研究価値が高い。
特許書類を正確に分析し分類できることは、いくつかの重要な技術的関係を明らかにすることができる。
また、その技術におけるビジネストレンドを記述できる。
そして投資に関して言えば、新しい産業的ソリューションもインスパイアされ、重要な決定を下すために提案される。
したがって、特許文書を慎重に分析し、特許の価値を利用する必要がある。
太陽電池特許分類問題を解決するために,キーワード抽出法とディープニューラルネットワークを用いた太陽電池特許分類法を提案する。
まず、太陽電池特許を前処理のために分析する。
その後、KeyBERTアルゴリズムを使用して、特許抽象化からキーワードとキーフレーズを抽出し、語彙辞書を構築する。
次に、ディープニューラルネットワークに基づいて太陽電池特許の分類モデルを構築します。
最後に、深層ニューラルネットワークに基づく太陽電池特許分類モデルを用いて電力特許を分類し、トレーニング精度は95%以上である。
また、検証精度は約87.5%である。
深層ニューラルネットワーク法は、複雑な太陽電池の特許の分類を実現できるだけでなく、分類効果も高いことが分かる。
関連論文リスト
- PatentEdits: Framing Patent Novelty as Textual Entailment [62.8514393375952]
このデータセットには105万例の修正が成功している。
我々は、文章を文単位でラベル付けするアルゴリズムを設計し、これらの編集がいかに大きな言語モデルで予測できるかを確立する。
引用引用文と起草文の文的含意を評価することは,どの発明的主張が変化しないか,あるいは先行技術に関して新規かを予測するのに特に有効であることを示す。
論文 参考訳（メタデータ） (2024-11-20T17:23:40Z) - Natural Language Processing in Patents: A Survey [0.0]
重要な技術的および法的情報をカプセル化した特許は、自然言語処理(NLP)アプリケーションのための豊富なドメインを提供する。
NLP技術が発展するにつれて、大規模言語モデル(LLM)は一般的なテキスト処理や生成タスクにおいて優れた能力を示してきた。
本稿は,NLP研究者に,この複雑な領域を効率的にナビゲートするために必要な知識を付与することを目的とする。
論文 参考訳（メタデータ） (2024-03-06T23:17:16Z) - PaECTER: Patent-level Representation Learning using Citation-informed
Transformers [0.16785092703248325]
PaECTERは、特許に特有のオープンソースドキュメントレベルのエンコーダである。
我々は,特許文書の数値表現を生成するために,受験者による引用情報付き特許用BERTを微調整する。
PaECTERは、特許ドメインで使用されている現在の最先端モデルよりも類似性タスクが優れている。
論文 参考訳（メタデータ） (2024-02-29T18:09:03Z) - Unveiling Black-boxes: Explainable Deep Learning Models for Patent
Classification [48.5140223214582]
深部不透明ニューラルネットワーク(DNN)を利用した多ラベル特許分類のための最先端手法
レイヤワイド関連伝搬(Layer-wise Relevance propagation, LRP)を導入し, 特許の詳細な分類手法を提案する。
関連性スコアを考慮し、予測された特許クラスに関連する単語を視覚化して説明を生成する。
論文 参考訳（メタデータ） (2023-10-31T14:11:37Z) - Automated patent extraction powers generative modeling in focused
chemical spaces [0.0]
深い生成モデルが逆分子設計のエキサイティングな道として登場した。
材料科学と化学への適用性における重要な課題の1つは、プロパティラベル付きでスケール可能なトレーニングデータセットにアクセスできないことである。
我々は、特許のデジタルファイルから、人間の介入を最小限に抑えた新しい候補を生み出すための自動パイプラインを開発する。
論文 参考訳（メタデータ） (2023-03-14T23:26:55Z) - Machine learning applications for electricity market agent-based models:
A systematic literature review [68.8204255655161]
エージェントベースのシミュレーションは、電気市場のダイナミクスをよりよく理解するために使用される。
エージェントベースのモデルは、機械学習と人工知能を統合する機会を提供する。
我々は、エージェントベースの電気市場モデルに適用された機械学習に焦点を当てた2016年から2021年の間に発行された55の論文をレビューする。
論文 参考訳（メタデータ） (2022-06-05T14:52:26Z) - Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern
Recognition on Neuromorphic Hardware [50.380319968947035]
近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。
文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。
フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。
LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
論文 参考訳（メタデータ） (2022-05-30T14:30:45Z) - A Survey on Sentence Embedding Models Performance for Patent Analysis [0.0]
本稿では,PatentSBERTaアプローチに基づく埋め込みモデルの精度を評価するための標準ライブラリとデータセットを提案する。
patentSBERTa, Bert-for-patents, and TF-IDF Weighted Word Embeddings is the most accuracy for computing sentence embeddeds at the subclass level。
論文 参考訳（メタデータ） (2022-04-28T12:04:42Z) - CellDefectNet: A Machine-designed Attention Condenser Network for
Electroluminescence-based Photovoltaic Cell Defect Inspection [67.99623869339919]
太陽電池の視覚検査で業界が直面している大きな課題は、現在人間の検査員が手動で行っていることである。
本研究では,機械駆動設計探索により設計した高効率アテンションコンデンサネットワークであるCellDefectNetを紹介する。
発光画像を用いた太陽電池セルの多様性を示すベンチマークデータセット上で,セルデフェクトネットの有効性を実証した。
論文 参考訳（メタデータ） (2022-04-25T16:35:19Z) - Hybrid Model for Patent Classification using Augmented SBERT and KNN [0.0]
本研究は、Sentence-BERT (SBERT) と K Nearest Neighbours (KNN) による特許クレーム分類のハイブリッドアプローチを提供することを目的とする。
提案フレームワークは,トップkのセマンティック類似性特許の検索に基づいて,個々の入力特許クラスとサブクラスを予測する。
論文 参考訳（メタデータ） (2021-03-22T15:23:19Z) - Automatic Perturbation Analysis for Scalable Certified Robustness and
Beyond [171.07853346630057]
ニューラルネットワークに対する線形緩和に基づく摂動解析(LiRPA)は、堅牢性検証と認証防御のコアコンポーネントとなっている。
我々は任意のニューラルネットワーク構造上で摂動解析を可能にするための自動フレームワークを開発する。
我々は、Tiny ImageNetとDownscaled ImageNetのLiRPAベースの認証防御を実証する。
論文 参考訳（メタデータ） (2020-02-28T18:47:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。