論文の概要: DiTTO-LLM: Framework for Discovering Topic-based Technology Opportunities via Large Language Model
- arxiv url: http://arxiv.org/abs/2509.09724v1
- Date: Wed, 10 Sep 2025 05:47:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-15 16:03:07.853793
- Title: DiTTO-LLM: Framework for Discovering Topic-based Technology Opportunities via Large Language Model
- Title（参考訳）: DiTTO-LLM:大規模言語モデルによるトピックベースの技術機会発見フレームワーク
- Authors: Wonyoung Kim, Sujeong Seo, Juhyun Lee,
- Abstract要約: 本稿では,技術間の時間的関係に基づいて新たな技術機会を特定する枠組みを提案する。
このフレームワークは、米国特許商標庁が提供した人工知能特許データセットを用いて評価された。
- 参考スコア（独自算出の注目度）: 5.923472343317637
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Technology opportunities are critical information that serve as a foundation for advancements in technology, industry, and innovation. This paper proposes a framework based on the temporal relationships between technologies to identify emerging technology opportunities. The proposed framework begins by extracting text from a patent dataset, followed by mapping text-based topics to discover inter-technology relationships. Technology opportunities are then identified by tracking changes in these topics over time. To enhance efficiency, the framework leverages a large language model to extract topics and employs a prompt for a chat-based language model to support the discovery of technology opportunities. The framework was evaluated using an artificial intelligence patent dataset provided by the United States Patent and Trademark Office. The experimental results suggest that artificial intelligence technology is evolving into forms that facilitate everyday accessibility. This approach demonstrates the potential of the proposed framework to identify future technology opportunities.
- Abstract（参考訳）: 技術機会は、技術、産業、イノベーションの進歩の基盤となる重要な情報である。
本稿では,技術間の時間的関係に基づいて新たな技術機会を特定する枠組みを提案する。
提案するフレームワークは,まず特許データセットからテキストを抽出し,続いてテキストベースのトピックをマッピングして技術間関係を検出する。
技術機会は、時間とともにこれらのトピックの変化を追跡することによって特定される。
効率を高めるために、このフレームワークは大きな言語モデルを利用してトピックを抽出し、チャットベースの言語モデルのプロンプトを使って技術機会の発見を支援する。
このフレームワークは、米国特許商標庁が提供した人工知能特許データセットを用いて評価された。
実験結果は、人工知能技術が日々のアクセシビリティを促進する形式に進化しつつあることを示唆している。
このアプローチは、将来の技術機会を特定するための提案されたフレームワークの可能性を示している。
関連論文リスト
- AI Flow: Perspectives, Scenarios, and Approaches [51.38621621775711]
私たちは最先端のITとCTの進歩を統合するフレームワークであるAI Flowを紹介します。
まず、デバイスエッジクラウドフレームワークは、エンドデバイス、エッジサーバ、クラウドクラスタを統合する基盤として機能する。
第2に,家族モデルの概念を導入し,同列に隠れた特徴を持つ様々なサイズのモデルに言及する。
第3に、コネクティビティとインタラクションに基づくインテリジェンスの出現は、AI Flowの新たなパラダイムである。
論文 参考訳（メタデータ） (2025-06-14T12:43:07Z) - Technology Mapping with Large Language Models [1.1900482352079937]
STARS(Semantic Technology and Retrieval System)は、LLM(Large Language Models)とSentence-BERTを利用する新しいフレームワークである。
それは、非構造化コンテンツの中に関連技術を特定し、包括的な企業プロファイルを構築し、その運用上の重要性に応じて各企業の技術をランク付けする。
実験の結果,STARSは検索精度を著しく向上させ,産業間技術マッピングのための汎用的で高性能なソリューションを提供することがわかった。
論文 参考訳（メタデータ） (2025-01-25T08:18:15Z) - Automotive innovation landscaping using LLM [0.0]
本稿では,造園に必要な情報を抽出する手法について紹介する。
この結果は,オープンソース特許データを用いた燃料電池技術の展望を構築するための手法の実装を実証するものである。
論文 参考訳（メタデータ） (2024-09-22T13:22:39Z) - Early screening of potential breakthrough technologies with enhanced interpretability: A patent-specific hierarchical attention network model [4.779196219827507]
本稿では,特許文書から将来的な引用数を予測するための解釈可能な機械学習手法を提案する。
35,376の医薬品特許のケーススタディは、我々のアプローチの有効性を実証している。
提案手法は, ブレークスルー技術を特定する上で, 専門家と機械の協調性を高めることが期待されている。
論文 参考訳（メタデータ） (2024-07-24T02:17:10Z) - Measuring Technological Convergence in Encryption Technologies with
Proximity Indices: A Text Mining and Bibliometric Analysis using OpenAlex [46.3643544723237]
本研究は,サイバーセキュリティにおける新興技術間の技術的収束を明らかにする。
提案手法は,テキストマイニングとバイオロメトリ分析を統合し,技術的近接指標の定式化と予測を行う。
我々のケーススタディでは、ブロックチェーンと公開鍵暗号の間にかなりの収束が見られ、その近さが証明されている。
論文 参考訳（メタデータ） (2024-03-03T20:03:03Z) - A Scalable and Automated Framework for Tracking the likely Adoption of
Emerging Technologies [3.4530027457862]
本稿では,新しい技術の採用や拒絶の可能性を追及するための,スケーラブルで自動化されたフレームワークを提案する。
新興技術への言及を含むソーシャルメディアテキストの大規模なコーパスが編纂された。
肯定的な感情表現は、テクノロジーユーザの採用、統合、利用に対する受容に影響を与える可能性の増加を推し進め、ネガティブな感情は、導入者による新興技術の拒絶に影響を及ぼす可能性の増大を推し進める。
論文 参考訳（メタデータ） (2024-01-16T16:42:14Z) - Selected Trends in Artificial Intelligence for Space Applications [69.3474006357492]
この章は、差別化可能なインテリジェンスとオンボード機械学習に焦点を当てている。
欧州宇宙機関(ESA)Advanced Concepts Team(ACT)から選ばれたいくつかのプロジェクトについて論じる。
論文 参考訳（メタデータ） (2022-12-10T07:49:50Z) - Deep Technology Tracing for High-tech Companies [67.86308971806322]
我々は、各ハイテク企業にカスタマイズされた最も可能な技術方向を自動的に見つけるために、新しいデータ駆動ソリューション、すなわちDeep Technology Forecasting(DTF)フレームワークを開発する。
DTFは、潜在的な競合認識(PCR)、協調技術認識(CTR)、Deep Technology Tracing(DTT)ニューラルネットワークの3つのコンポーネントで構成されている。
論文 参考訳（メタデータ） (2020-01-02T07:44:12Z)
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。