論文の概要: Modeling Claim Dependency Structure for Patent Litigation Prediction with Graph Attention Networks

• arxiv url: http://arxiv.org/abs/2608.21924v1
• Date: Sat, 22 Aug 2026 11:24:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 18:24:36.936146
• Title: Modeling Claim Dependency Structure for Patent Litigation Prediction with Graph Attention Networks
• Title（参考訳）: グラフアテンションネットワークを用いた特許解放予測のためのクレーム依存構造モデリング
• Abstract要約: ClaimGATは各クレームを独立してエンコードし、有向クレーム依存グラフを構築し、GATConvレイヤで処理し、アテンショナルアグリゲーションを介して独立クレームを集約する。 AUC-ROCの0.818とリフトの4.89倍を最高10%で達成し、特許取得時にのみ観測可能な情報を使用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Patent litigation imposes substantial costs on firms and distorts R&D incentives, making early risk identification a practically important task. While prior work has applied BERT-based models to patent claim text, two fundamental limitations remain: flat sequence encoding loses the dependency structure between independent and dependent claims that legally determines patent scope, and feeding the entire claim set to a single encoder discards legally critical text. A six-model ablation on 1.34 million USPTO utility patents confirms that per-claim encoding, graph connectivity, attention, and Attentional Aggregation each provide independent, additive predictive value. We propose ClaimGAT, a Graph Attention Network that encodes each claim independently, constructs a directed claim dependency graph, processes it with GATConv layers, and aggregates independent claims via Attentional Aggregation to yield both a litigation risk score and claim-level gate weights that enable post-hoc structural analysis. ClaimGAT achieves an AUC-ROC of 0.818 and a lift of 4.89x at the top 10%, using only information observable at the time of patent grant. It reveals a tendency in high-risk patents for structural selection and content sensitivity to diverge, a pattern consistent with defensive claim drafting.
• Abstract（参考訳）: 特許訴訟は、企業に対してかなりのコストを課し、研究開発のインセンティブを歪め、早期リスクの特定を事実上重要な課題にしている。 フラットシーケンスエンコーディングは、法的に特許範囲を決定する独立したクレームと依存するクレームの間の依存関係構造を失うこと、単一エンコーダにセットされたクレーム全体を法的に重要なテキストを捨てることである。 1.34百万USPTOユーティリティ特許に関する6つのモデルアブレーションは、それぞれ独立して付加的な予測値を提供する。 本稿では,各クレームを独立に符号化し,有向クレーム依存グラフを構築し,GATConvレイヤで処理し,アテンショナルアグリゲーションを介して独立クレームを集約し,訴訟リスクスコアとクレームレベルゲートウェイトの両方を得る。 ClaimGAT は 0.818 の AUC-ROC と4.89倍のリフトをトップ10%で達成し、特許取得時にのみ観測可能な情報を使用する。 これは、構造的選択とコンテンツの感度に関する高リスクな特許の傾向を明らかにしており、これは防御的クレームの起草と整合するパターンである。

関連論文リスト

• Citation-Closure Retrieval and Per-Rule Attribution for Real-World Regulatory Compliance Question Answering [54.97384993676565]
  複雑な国内R&D規制から派生した運用知識グラフを特徴とする,新たなベンチマークであるRegOps-Benchを用いて,レギュレーションコンプライアンスQAを形式化する。 RefWalkはクロスドキュメントの引用を横切り、マックスベースのアグリゲーションを通じてマルチビュー候補を融合させ、ソースへのクレームを明示的にマッピングするためにルールごとの属性を強制する。
  論文  参考訳（メタデータ） (2026-05-28T10:38:38Z)
• PHAGE: Patent Heterogeneous Attention-Guided Graph Encoder for Representation Learning [34.811071993895304]
  特許クレームは、従属クレームが以前のクレームの範囲を継承し、洗練する有向依存構造を形成する。 以前の特許エンコーダは、請求をテキストとしてリニアライズし、この階層を捨てた。 PHAGEは2つの課題に対処する: クレーム依存関係はセマンティクスと抽出信頼性が異なる関係タイプを混合する。 接続マスクと学習可能な関係認識バイアスによって、クレームレベルのトポロジをトークンレベルの注意に高める。
  論文  参考訳（メタデータ） (2026-05-11T06:54:44Z)
• TRUST: A Framework for Decentralized AI Service v.0.1 [47.384270414446604]
  大規模推論モデル (LRM) とマルチエージェントシステム (MAS) は, 信頼性の高い検証を必要とする。 TRUST(Transparent, Robust, and Unified Services for Trustworthy AI)は,3つのイノベーションを備えた分散フレームワークである。 我々は、悪質な俳優が損失を被っている間、正直な監査人の利益を確実に確保する安全利益理論を証明する。
  論文  参考訳（メタデータ） (2026-04-29T19:32:58Z)
• Autonomous Chain-of-Thought Distillation for Graph-Based Fraud Detection [73.9189065770752]
  テキスト分散グラフ(TAG)上のグラフベースの不正検出には、リッチテキストセマンティクスとリレーショナル依存関係を共同でモデル化する必要がある。 我々は,自律型グラフ認識チェーン(CoT)推論とスケーラブルなLLM-GNN協調学習を通じて,TAGに基づく不正検出を促進する統一フレームワークであるFraudCoTを提案する。
  論文  参考訳（メタデータ） (2026-01-30T13:12:12Z)
• 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)
• 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)
• PEDANTIC: A Dataset for the Automatic Examination of Definiteness in Patent Claims [13.242188189150987]
  PEDANTICは14万件の米国特許権主張のデータセットで、不確定性の理由が指摘されている。 人間の検証研究は、高品質なアノテーションを生成する際のパイプラインの正確性を確認する。 PEDANTICは特許AI研究者に貴重なリソースを提供し、高度な検査モデルの開発を可能にする。
  論文  参考訳（メタデータ） (2025-05-27T15:34:39Z)
• PatentMind: A Multi-Aspect Reasoning Graph for Patent Similarity Evaluation [35.13558856456741]
  特許類似性評価は知的財産分析において重要な役割を果たす。 マルチアスペクト推論グラフ(MARG)に基づく特許類似性評価のための新しいフレームワークであるPatentMindを紹介する。 私たちのフレームワークは、現実世界の意思決定のための構造化され、セマンティックな基盤を提供します。
  論文  参考訳（メタデータ） (2025-05-25T22:28:27Z)
• PatentScore: Multi-dimensional Evaluation of LLM-Generated Patent Claims [35.13558856456741]
  特許請求書、医療記録、技術報告などの高額なテキストは構造的に複雑であり、高い信頼性と精度を要求する。 従来の自然言語生成(NLG)メトリクスは汎用文書に有効であるが、複雑なハイテイク文書を評価するのに必要な構造的・法的特徴を捉えることができない。 本稿では,最も複雑で厳密なドメインの1つに特化して設計された多次元評価フレームワークであるPatentScoreを提案する。
  論文  参考訳（メタデータ） (2025-05-25T22:20:11Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• CopyrightShield: Enhancing Diffusion Model Security against Copyright Infringement Attacks [61.06621533874629]
  拡散モデルは、攻撃者が戦略的に修正された非侵害画像をトレーニングセットに注入する著作権侵害攻撃に弱い。 まず、上記の攻撃に対して防御するための防御フレームワーク、PhiliptyShieldを提案する。 実験により,PhiliptyShieldは2つの攻撃シナリオで有毒なサンプル検出性能を著しく向上することが示された。
  論文  参考訳（メタデータ） (2024-12-02T14:19:44Z)
• Structural Representation Learning and Disentanglement for Evidential Chinese Patent Approval Prediction [19.287231890434718]
  本稿では,検索に基づく分類手法を用いて,本課題の先駆的取り組みについて述べる。 本稿では,構造表現学習と絡み合いに着目したDiSPatという新しいフレームワークを提案する。 弊社のフレームワークは、特許承認の予測に関する最先端のベースラインを超越し、明確性の向上も示している。
  論文  参考訳（メタデータ） (2024-08-23T05:44:16Z)
• Model Stealing Attack against Graph Classification with Authenticity, Uncertainty and Diversity [80.16488817177182]
  GNNは、クエリ許可を通じてターゲットモデルを複製するための悪行であるモデル盗難攻撃に対して脆弱である。 異なるシナリオに対応するために,3つのモデルステルス攻撃を導入する。
  論文  参考訳（メタデータ） (2023-12-18T05:42:31Z)

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。