論文の概要: Is It Novel and Why? Fine-Grained Patent Novelty Prediction Based on Passage Retrieval

• arxiv url: http://arxiv.org/abs/2605.02392v1
• Date: Mon, 04 May 2026 09:34:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.221869
• Title: Is It Novel and Why? Fine-Grained Patent Novelty Prediction Based on Passage Retrieval
• Title（参考訳）: 新規でなぜか?パス検索に基づくファイングレード特許の新規性予測
• Authors: Valentin Knappich, Anna Hätty, Simon Razniewski, Annemarie Friedrich,
• Abstract要約: このデータセットは3,658個の特許クレームと,細粒度で特徴レベルの先行技術を用いた新規なデータセットである。 請求項を特徴に分解し,各特徴を先行技術に対して解析し,最終的に請求項レベルの新規性予測を導出するLCMに基づく分類器の実装と評価を行う。
• 参考スコア（独自算出の注目度）: 12.986519085613635
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Novelty assessment is a critical yet complex task in the examination process for patent acceptance, requiring examiners to determine whether an invention is disclosed in a prior art document. The process involves intricate matching between specific features of a patent claim and passages in the prior art. While prior work has approached novelty prediction primarily as a binary classification task at the claim level, we argue that this formulation is susceptible to spurious correlations and lacks the granularity required for practical application. In this work, we introduce FiNE-Patents (Fine-grained Novelty Examination of Patents), a novel dataset comprising 3,658 first patent claims annotated with fine-grained, feature-level prior art references extracted from European Search Opinion (ESOP) documents. We propose shifting the evaluation paradigm from simple binary classification to a joint retrieval and abstract reasoning task at the feature level, requiring models to identify specific passages from a prior art document that disclose individual claim features, and to identify which features of a claim make it novel. We implement and evaluate LLM-based workflows that decompose claims into features, analyze each feature against prior art, and finally derive a claim-level novelty prediction. Our experiments demonstrate that these workflows outperform embedding-based baselines on passage retrieval and novel feature identification. Furthermore, we show that unlike trained classifiers, LLMs are robust against spurious correlations present in the claim-level novelty classification task. We release the dataset and code to foster further research into transparent and granular patent analysis.
• Abstract（参考訳）: 新規性評価は、特許受理試験プロセスにおいて重要かつ複雑な課題であり、先行技術文書に発明が開示されているかどうかを審査官が判断する必要がある。 このプロセスは、特許クレームの特定の特徴と、先行技術におけるパスとの複雑なマッチングを含む。 従来の研究は、主にクレームレベルでのバイナリ分類タスクとして、新規性予測にアプローチしてきたが、この定式化は、素早い相関の影響を受ける可能性があり、実用的な応用に必要な粒度を欠いていると論じている。 本研究では,欧州検索オピニオン(ESOP)文書から抽出した細粒度で特徴レベルの先行技術参照を付加した3,658個の特許請求書からなる新規データセットであるFiNE-Patents(Fine-fine Novelty Examination of Patents)を紹介する。 本稿では,評価パラダイムを,単純な二項分類から特徴レベルの共同検索・抽象的推論タスクにシフトし,個別のクレームの特徴を開示する先行技術文書からの特定のパスをモデルで識別し,クレームのどの特徴が新規かを特定することを提案する。 請求項を特徴に分解し,各特徴を先行技術に対して分析し,最終的に請求項レベルのノベルティ予測を導出するLCMベースのワークフローを実装し,評価する。 実験により, これらのワークフローは, 通過経路の検索と特徴同定において, 埋め込みベースラインよりも優れていることを示した。 さらに, 訓練された分類器とは異なり, LLMは, クレームレベルの新規性分類タスクに存在する突発的相関に対して頑健であることを示す。 我々は、透明できめ細かい特許分析のさらなる研究を促進するために、データセットとコードを公開します。

関連論文リスト

• OpenNovelty: An LLM-powered Agentic System for Verifiable Scholarly Novelty Assessment [63.662126457336534]
  OpenNoveltyは、透明で証拠に基づく新規性分析のためのエージェントシステムである。 回収された実論文のすべての評価を根拠にし、検証可能な判断を確実にする。 OpenNoveltyは、公正で一貫性があり、エビデンスに支えられたピアレビューを促進するスケーラブルなツールで、研究コミュニティに力を与えることを目指している。
  論文  参考訳（メタデータ） (2026-01-04T15:48:51Z)
• PANORAMA: A Dataset and Benchmarks Capturing Decision Trails and Rationales in Patent Examination [44.74519851862391]
  PANORAMAは米国特許試験記録8,143件のデータセットである。 我々は,特許専門家の特許審査プロセスをエミュレートする逐次ベンチマークにパスを分解する。 我々は、LLMを含むNLPを特許領域で前進させるには、現実世界の特許審査をより深く理解する必要があると論じる。
  論文  参考訳（メタデータ） (2025-10-25T03:24:13Z)
• A Hybrid Architecture with Efficient Fine Tuning for Abstractive Patent Document Summarization [0.0]
  本研究では,特許記録の抽象要約を効率的に作成するシステムを提案する。 この手順では、LexRankグラフベースのアルゴリズムを使用して、入力された親テキストから重要な文を検索する。
  論文  参考訳（メタデータ） (2025-03-13T13:30:54Z)
• Can AI Examine Novelty of Patents?: Novelty Evaluation Based on the Correspondence between Patent Claim and Prior Art [5.655276956391884]
  本稿では,特許の新規性を評価するための大規模言語モデル(LLM)の能力を評価することで,新たな課題を提起する。 本研究は,特許試験事例から得られた新規性評価に特化して設計された最初のデータセットについて述べる。 本研究は, 分類モデルが新規性を効果的に評価するのに苦慮する一方で, 生成モデルは合理的な精度で予測を行うことを示した。
  論文  参考訳（メタデータ） (2025-02-10T10:09:29Z)
• Rethinking Complex Queries on Knowledge Graphs with Neural Link Predictors [58.340159346749964]
  本稿では,証明可能な推論能力を備えた複雑なクエリを用いたエンドツーエンド学習を支援するニューラルシンボリック手法を提案する。 これまでに検討されていない10種類の新しいクエリを含む新しいデータセットを開発する。 提案手法は,新しいデータセットにおいて先行手法を著しく上回り,既存データセットにおける先行手法を同時に上回っている。
  論文  参考訳（メタデータ） (2023-04-14T11:35:35Z)
• GERE: Generative Evidence Retrieval for Fact Verification [57.78768817972026]
  本稿では,ジェネレーション方式で証拠を検索する最初のシステムであるGEREを提案する。 FEVERデータセットの実験結果は、GEREが最先端のベースラインよりも大幅に改善されていることを示している。
  論文  参考訳（メタデータ） (2022-04-12T03:49:35Z)
• Counterfactual Detection meets Transfer Learning [48.82717416666232]
  既存のモデルアーキテクチャに最小限の適応で実装可能な,単純なバイナリ分類タスクであることを示す。 本稿では,先行者や後続者をエンティティ認識タスクとして処理するエンド・ツー・エンドパイプラインを導入し,それらをトークン分類に適用する。
  論文  参考訳（メタデータ） (2020-05-27T02:02:57Z)

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。