論文の概要: A Framework for Graph-Conditioned Hierarchical Shapley Attribution in Patent Valuation

• arxiv url: http://arxiv.org/abs/2606.01632v1
• Date: Mon, 01 Jun 2026 03:33:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.900811
• Title: A Framework for Graph-Conditioned Hierarchical Shapley Attribution in Patent Valuation
• Title（参考訳）: 特許評価における階層型シェープ属性のグラフ化のためのフレームワーク
• Authors: Joy Bose,
• Abstract要約: 本稿では,特許評価をAIの説明可能な問題として扱う枠組みを提案する。 特許のShapley値は、効率、対称性、ダミー、および添加度を満たす方法で製品利益の公平なシェアを測定する。 特許の80%が1つのコンポーネントを共有している場合、毛布はその密度の高いクラスタをカバーするように正しく膨張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating the economic contribution of a single patent inside a product that embodies tens of thousands of patents is a long-standing unsolved problem in intellectual property economics. We propose PatentXAI, a framework that treats patent valuation as a problem of explainable AI: given a characteristic function v(S) encoding the revenue achievable by patent subset S, a patent's Shapley value measures its fair share of product profit in a way that satisfies efficiency, symmetry, dummy, and additivity. To make computation tractable we restrict each patent's coalition to its Markov Blanket inside a knowledge graph, grounded in the C-SVE conditional independence theorem (Li et al., 2020). Scaling experiments from n=12 to n=100 patents using Pareto-distributed coverage graphs report median Markov Blanket size of 32.9 percent of n at n=100, with 90th-percentile blanket size of 55.2 percent of n, and runtime of 10 milliseconds per patent. Difference against exact ground truth at n=12 is 0.088; difference against a high-sample Monte Carlo reference at n=100 is 0.062 plus or minus 0.003. A dense-component experiment shows that when 80 percent of patents share one component, the blanket correctly expands to cover that dense cluster, and the difference versus reference falls to 0.039 because the pooled computation becomes more accurate on homogeneous portfolios. Profit allocation proceeds hierarchically: exact Shapley distributes total profit among macro-components, then centrality-weighted Shapley distributes each component budget among covering patents. Estimating v(S) from real data is the primary open problem; we distinguish this from the computational contribution and outline a concrete roadmap for empirical validation using public ETSI, USPTO, and Lens.org datasets.
• Abstract（参考訳）: 数万の特許を具現化した製品内の1つの特許の経済的貢献を推定することは、知的財産経済学における長年の未解決問題である。 特許サブセットSで達成可能な収益を符号化する特性関数v(S)が与えられた場合、特許のShapley値は、効率、対称性、ダミー、および添加性を満たす方法で製品利益の公平なシェアを測定する。 C-SVE条件付き独立定理(Li et al , 2020)に基づく知識グラフ内で、各特許の連立性をマルコフ・ブランケットに限定する。 パレート分散カバレッジグラフを用いたn=12からn=100特許のスケーリング実験では、n=100でnの32.9%、nで90パーセントの毛布サイズ55.2%、特許当たり10ミリ秒のランタイムが報告されている。 n=12 における正確な基底真理との違いは 0.088 であり、n=100 における高サンプルモンテカルロ参照との違いは 0.062 + または 0.003 である。 密度の高いコンポーネントの実験では、80%の特許が1つのコンポーネントを共有すると、毛布はその密度の高いクラスタをカバーするように正しく拡張され、プールされた計算が均質なポートフォリオ上でより正確になるため、参照と参照の違いは0.039に減少する。 正確なShapleyはマクロコンポーネント間で総利益を分配し、中央性重み付きShapleyは各コンポーネント予算をカバー特許に分配する。 実データから v(S) を推定することが主要なオープン問題であり、これを計算貢献と区別し、公開ETSI、USPTO、Lens.org データセットを用いた実証検証のための具体的なロードマップを概説する。

関連論文リスト

• AI Patents in the United States and China: Measurement, Organization, and Knowledge Flows [0.3249879651054463]
  本稿では,人工知能(AI)特許を手動でラベル付けしたデータに基づいて微調整し,高精度な分類器を開発する。 我々は、両国におけるAI特許の急速な成長と、AI特許の強度とサブフィールド構成の広範な収束について文書化している。 上場企業にとって、AI特許は両国で堅牢な市場価値プレミアムを担っている。
  論文  参考訳（メタデータ） (2026-04-12T08:46:30Z)
• Provably Adaptive Linear Approximation for the Shapley Value and Beyond [73.0940890296463]
  基本的で長期にわたる課題は、その効率的な近似である。 一般に用いられるすべての半値に対して$P(|hatboldsymbol-boldsymbol|_2geq)leq$を必要とする線形空間アルゴリズムを開発する。 本アルゴリズムは,各ユーティリティ関数の平均二乗誤差の明示的最小化を可能にする。
  論文  参考訳（メタデータ） (2026-04-09T16:38:14Z)
• FIPO: Eliciting Deep Reasoning with Future-KL Influenced Policy Optimization [84.58281577727566]
  本稿では,大規模言語モデルにおける推論ボトルネックを克服する強化学習アルゴリズムであるFuture-KL Influenced Policy Optimization (FIPO)を提案する。 FIPOは、割引先KLの分岐をポリシー更新に組み込むことでこの問題に対処し、その後の軌道行動への影響に基づいてトークンを再重み付けする密集した有利な定式化を作成する。 Qwen2.5-32Bで評価され、FIPOは平均チェーン長を約4,000から10,000以上のトークンに拡張し、AIME 2024 Pass@1の精度を50.0%から58.0%に向上させた。
  論文  参考訳（メタデータ） (2026-03-20T10:24:50Z)
• Characterizing Online and Private Learnability under Distributional Constraints via Generalized Smoothness [63.833913892018536]
  本研究では、固定されたファミリー$U$からデータ生成分布を適応的に選択できる分布敵の下でのシーケンシャルな意思決定について検討する。 一般化滑らか性(Generalized smoothness)という概念の観点で学習可能性を認めるファミリー$U$のほぼ完全な特徴付けを提供する。 一般化された滑らかさは,分布制約下での個人学習性も特徴付けることを示す。
  論文  参考訳（メタデータ） (2026-02-24T06:15:59Z)
• Towards Automated Quality Assurance of Patent Specifications: A Multi-Dimensional LLM Framework [0.5534764384104999]
  AI草案作成ツールは特許作成において注目されているが、AIが生成する特許内容の品質の体系的評価は、重要な研究ギャップを示している。 本稿では,規制コンプライアンス,技術的コヒーレンス,図形参照整合性検出モジュールを用いた特許評価を提案する。 このフレームワークは、2つの特許草案作成ツールから80人の人間が認可し、80人のAIが生成する特許からなる包括的なデータセットで検証されている。
  論文  参考訳（メタデータ） (2025-10-29T11:20:18Z)
• Adaptive Taxonomy Learning and Historical Patterns Modelling for Patent Classification [26.85734804493925]
  本稿では,特許分類に関する特許に関する情報を包括的に検討する統合フレームワークを提案する。 まず,その意味表現を導出するためのICC符号相関学習モジュールを提案する。 最後に、IPC符号のセマンティクスを含む特許文書の文脈情報と、予測を行うために利用者のシーケンシャルな選好を割り当てる。
  論文  参考訳（メタデータ） (2023-08-10T07:02:24Z)
• Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive Privacy Analysis and Beyond [57.10914865054868]
  垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。 我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
  論文  参考訳（メタデータ） (2022-07-19T05:47:30Z)
• 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)
• PatentMiner: Patent Vacancy Mining via Context-enhanced and Knowledge-guided Graph Attention [2.9290732102216452]
  我々は、リッチなセマンティック知識をマイニングし、新たな潜在的な特許を予測するために、PatentMinerという新しい特許空白予測手法を提案する。 特許知識グラフ(例えば、年)は、特許文書から名前付きエンティティ認識と関係抽出を行うことによって構築される。 構築した知識グラフにおいてリンク予測を行うために,CNM(Common Neighbor Method),GAT(Graph Attention Networks),CGAT(Context-enhanced Graph Attention Networks)を提案する。
  論文  参考訳（メタデータ） (2021-07-10T17:34:57Z)

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。