論文の概要: IdeaForge: A Knowledge Graph-Grounded Multi-Agent Framework for Cross-Methodology Innovation Analysis and Patent Claim Generation

• arxiv url: http://arxiv.org/abs/2605.13311v1
• Date: Wed, 13 May 2026 10:25:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.980874
• Title: IdeaForge: A Knowledge Graph-Grounded Multi-Agent Framework for Cross-Methodology Innovation Analysis and Patent Claim Generation
• Title（参考訳）: IdeaForge: クロスメソッドイノベーション分析と特許クレーム生成のための知識グラフを用いたマルチエージェントフレームワーク
• Authors: Joy Bose,
• Abstract要約: IdeaForgeは、イノベーション分析と特許請求生成のための知識グラフベースのフレームワークである。 複数のイノベーション方法論(TRIZ、Design Thinking、SCAMPER)を、永続的なFalkorDB知識グラフ上で動作する専門エージェントを通じて統合する。 IdeaForgeの中心的な貢献は、グラフベースのクレームリンクを通じて実装されたクロスメソッド収束機構である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current AI-assisted innovation systems typically apply a single ideation methodology (such as TRIZ or Design Thinking) using sequential prompt-based workflows that do not preserve intermediate reasoning structure. As a result, insights generated across methodologies remain fragmented, limiting traceability, synthesis, and systematic evaluation of novelty. We present IdeaForge, a knowledge graph-grounded multi-agent framework for innovation analysis and patent claim generation. IdeaForge integrates multiple innovation methodologies (TRIZ, Design Thinking, and SCAMPER) through specialist agents operating over a persistent FalkorDB knowledge graph. Each agent contributes structured entities and relationships representing contradictions, inventive principles, user needs, transformations, analogies, and candidate claims. The central contribution of IdeaForge is a cross-methodology convergence mechanism implemented through graph-based claim linkage. Claims independently supported by multiple methodologies are connected using CONVERGENT relationships, enabling identification of high-confidence innovation candidates through graph traversal. A downstream patent drafting agent generates structured patent drafts grounded in convergent claim subgraphs, reducing reliance on unconstrained language model generation. An InnovationScore formula ranks claims by convergent support, methodology diversity, claim strength, and prior art challenge count. We describe the graph schema, agent architecture, convergence detection pipeline, and patent synthesis workflow. Experiments on a legal technology use case demonstrate that graph-grounded multi-methodology synthesis produces more diverse and traceable innovation candidates compared to single-methodology baselines. We discuss implications for computational creativity, explainable AI-assisted invention, and graph-native innovation systems.
• Abstract（参考訳）: 現在のAI支援イノベーションシステムは、中間的推論構造を保存しないシーケンシャルなプロンプトベースのワークフローを使用して、単一のアイデア方法論(TRIZやDesign Thinkingなど)を適用するのが一般的である。 結果として、方法論全体で生成された洞察は断片化され、トレーサビリティ、合成、新奇性の体系的評価が制限される。 本稿では,イデオロギー分析と特許クレーム生成のための知識グラフを用いたマルチエージェントフレームワークであるIdeanForgeを紹介する。 IdeaForgeは、永続的なFalkorDB知識グラフを操作する専門エージェントを通じて、複数のイノベーション方法論(TRIZ、Design Thinking、SCAMPER)を統合する。 各エージェントは、矛盾、革新的原則、ユーザニーズ、変換、アナロジー、および候補クレームを表す構造化されたエンティティと関係をコントリビュートする。 IdeaForgeの中心的な貢献は、グラフベースのクレームリンクを通じて実装されたクロスメソッド収束機構である。 複数の手法で独立に支持された主張は、ConVERGENT関係を用いて接続され、グラフトラバーサルを通して高信頼なイノベーション候補を識別できる。 下流の特許草案作成エージェントは、収束クレームのサブグラフに基づく構造化された特許草案を生成し、制約のない言語モデル生成への依存を減らす。 InnovationScoreの公式は、コンバージェントサポート、方法論の多様性、要求強度、先行技術課題数によって、主張をランク付けする。 本稿では,グラフスキーマ,エージェントアーキテクチャ,収束検出パイプライン,特許合成ワークフローについて述べる。 法的な技術ユースケースの実験では、グラフグラウンドのマルチメソドロジー合成により、シングルメソドロジーベースラインよりも多種多様なトレーサブルなイノベーション候補が生成されることが示されている。 本稿では,計算創造性,説明可能なAI支援発明,グラフネイティブなイノベーションシステムについて論じる。

関連論文リスト

• Beyond Pixels: Visual Metaphor Transfer via Schema-Driven Agentic Reasoning [56.24016465596292]
  視覚的メタファーは、抽象概念をインパクトのある視覚的レトリックに変換するために、クロスドメインなセマンティックフュージョンを用いて、人間の創造性の高階形式を構成する。 本稿では,参照画像から「創造的本質」を自律的に分離し,その抽象論理をユーザ特定対象に再物質化する,視覚メタファー伝達(VMT)の課題を紹介する。 提案手法は, メタファーの整合性, アナロジーの適切性, 視覚的創造性においてSOTAのベースラインを著しく上回り, 広告・メディアにおける高度にインパクトのある創造的アプリケーションを自動化するための道を開いた。
  論文  参考訳（メタデータ） (2026-02-01T17:01:36Z)
• A Hybrid Ai Framework For Strategic Patent Portfolio Pruning: Integrating Learning To-Rank And Market Need Analysis For Technology Transfer Optimization [6.142730022466677]
  本稿では,特許ポートフォリオを抽出し,技術移転のための高価値資産を特定するための,新しい多段階ハイブリッドインテリジェンスフレームワークを提案する。 当社のフレームワークは,30以上の法的および商業的パラメータに対する特許評価を行うLearning to Rankモデルと,"Need-Seed"エージェントベースシステムを組み合わせることにより,このプロセスを自動化する。
  論文  参考訳（メタデータ） (2025-08-31T18:43:18Z)
• Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
  Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。 本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
  論文  参考訳（メタデータ） (2025-06-22T16:52:48Z)
• Speculative Decoding and Beyond: An In-Depth Survey of Techniques [9.362838127921458]
  シーケンシャルな依存関係は、大規模な自己回帰モデルをデプロイする上で、根本的なボトルネックとなる。 ジェネレーション・リファインメント・フレームワークの最近の進歩は、このトレードオフを著しく緩和できることを示している。
  論文  参考訳（メタデータ） (2025-02-27T03:53:45Z)
• A Survey on All-in-One Image Restoration: Taxonomy, Evaluation and Future Trends [67.43992456058541]
  画像復元(IR)は、ノイズ、ぼかし、圧縮、悪天候など幅広い要因によって生じる劣化した観察から高品質な画像の復元を目指している。 従来のIR法は、個々の劣化タイプを対象とすることで顕著な進歩を遂げてきたが、それらの特殊化は、しばしば一般化のコストがかかる。 オールインワンのイメージ復元パラダイムが最近登場し、複数の劣化タイプに順応的に対処する統一されたフレームワークを提供している。
  論文  参考訳（メタデータ） (2024-10-19T11:11:09Z)
• Boosting CNN-based Handwriting Recognition Systems with Learnable Relaxation Labeling [48.78361527873024]
  本稿では,2つの異なる手法の強みを組み込んだ手書き文字認識手法を提案する。 本稿では,アルゴリズムの収束を加速し,システム全体の性能を向上させるスペーシフィケーション手法を提案する。
  論文  参考訳（メタデータ） (2024-09-09T15:12:28Z)
• Event-based Dynamic Graph Representation Learning for Patent Application Trend Prediction [45.0907126466271]
  本稿では,特許出願傾向予測のためのイベントベースのグラフ学習フレームワークを提案する。 特に,当社の手法は,企業および特許分類コードの両方の記憶可能な表現に基づいて構築されている。
  論文  参考訳（メタデータ） (2023-08-04T05:43:32Z)
• A Diagnostic Study of Explainability Techniques for Text Classification [52.879658637466605]
  既存の説明可能性技術を評価するための診断特性のリストを作成する。 そこで本研究では, モデルの性能と有理性との整合性の関係を明らかにするために, 説明可能性手法によって割り当てられた有理性スコアと有理性入力領域の人間のアノテーションを比較した。
  論文  参考訳（メタデータ） (2020-09-25T12:01:53Z)

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。