論文の概要: BLANC: Discovering Patent White Space via Changes in Normalized Pointwise Mutual Information Between Multi-View Clusters
- arxiv url: http://arxiv.org/abs/2608.26685v1
- Date: Thu, 27 Aug 2026 06:43:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.27499
- Title: BLANC: Discovering Patent White Space via Changes in Normalized Pointwise Mutual Information Between Multi-View Clusters
- Title（参考訳）: BLANC: 複数視点クラスタ間の正常化点相互情報の変化による特許白空間の発見
- Abstract要約: BLANCは、特許ランドスケープの未探索かつ潜在的に価値のある領域であるホワイトスペースを識別する。
ホワイトスペースには根拠がないため、BLANCを2つのパブリックUSPTOコーパスで評価する。
BLANCは、ターゲットペアの文書の4分の3を削除したときに、欠落した組み合わせの34.1%(ML/AI)と27.3%(ガラス)を回収する。
- 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: Identifying white space --- the unexplored but potentially valuable regions of a patent landscape --- is essential for strategic R&D planning, yet existing methods rely on manual patent mapping or apply single-view clustering without quantitative gap detection. We propose BLANC (Blank Landscape Analysis through NPMI Conditioning), a three-phase pipeline combining (1) multi-view neural topic modeling along three semantic dimensions (application/use, novelty, inventive step); (2) Normalized Pointwise Mutual Information (NPMI) to quantify cross-dimensional cluster association; and (3) conditional detection that flags combinations whose NPMI drops when the corpus is filtered by a user-specified keyword. The drop is captured by a new metric, $Δ$NPMI, which identifies combinations "established globally, unexplored locally." Because white space has no ground truth, we evaluate BLANC on two public USPTO corpora --- machine learning/AI (5,417 patents, CPC G06N) and glass compositions (1,982 patents, CPC C03C) --- by artificially depleting known technology combinations and testing recovery. When three-quarters of a target pair's documents are removed, BLANC recovers 34.1% (ML/AI) and 27.3% (glass) of the depleted combinations, whereas size-matched removals not aimed at them (random documents, or those of a different established combination) essentially never do: the target is never recovered in 191 decoy trials. Collapsing the three semantic views into one recovers nothing, while prior co-occurrence measures also flag the target under random removal, offering no specificity. In a proprietary case (302 float glass / glass-ceramics patents), the keyword "fluorine" reveals a fluorine surface treatment $\times$ warpage suppression candidate ($Δ$NPMI up to 0.48) that experts had independently identified.
- Abstract（参考訳）: ホワイトスペースの特定 -- 探索されていないが、潜在的に価値のある特許ランドスケープの領域 -- は、戦略的R&D計画に不可欠だが、既存の手法は手動の特許マッピングや、量的ギャップ検出なしで単一ビュークラスタリングを適用する。
BLANC (Blank Landscape Analysis through NPMI Conditioning) は,(1) 3つの意味的次元(アプリケーション・ユース,ノベルティ,革新的なステップ)に沿った多視点ニューラル・トピック・モデリング,(2) 三次元クラスタ・アソシエーションの定量化のための正規化ポイントワイド・ミューチュアル・インフォメーション (NPMI) ,(3) コーパスがフィルタされたときにNPMIがドロップする組み合わせをフラグする条件付き検出,の3段階からなるパイプラインである。
この落差は新たな計量である$Δ$NPMI ($Δ$NPMI) によって捉えられ、これは「グローバルに、探索されていない、局所的に確立された」組み合わせを識別するものである。
ホワイトスペースには根拠がないため、BLANCは機械学習/AI(5,417件の特許、CPC G06N)とガラス(1,982件の特許、CPC C03C)の2つのパブリックUSPTOコーポラで評価し、既知の技術の組み合わせとテストの回復を人工的に減らし、評価する。
対象のペアの文書の4分の3が取り除かれた場合、BLANCは廃棄された組み合わせの34.1%(ML/AI)と27.3%(ガラス)を回収するが、サイズ適合の取り外し(ランダム文書または異なる確立された組み合わせ)は基本的には行われない。
3つのセマンティックビューをひとつにまとめると、何も回復しない。
プロプライエタリなケース(302フロートガラス/ガラスセラミックス特許)では、"fluorine"というキーワードが、専門家が独立して特定した蛍光表面処理の$\times$warpagepression candidate(Δ$NPMI から 0.48 まで)を明らかにする。
関連論文リスト
- SeGDeP: Semantic- and Geometric-Aware Decoupled Prompts for Reasoning Segmentation [51.46828526392219]
推論セグメンテーションは暗黙の言語学的結論を正確なマスクに変換する。
既存のMLLMセグメンタインタフェースでは、特別なトリガーを使用するか、両方の信号を1つのコンテキストに圧縮する。
明示的なWhat-whereインターフェースであるSeGDePを提示する。
論文 参考訳（メタデータ） (2026-09-08T15:11:32Z) - Slide-Level Active Learning Reduces Annotation Burden in H&E images [1.9573380763700712]
深層学習に基づくスライディング画像の階層化には,大量のピクセルレベルのアノテーションが必要である。
アクティブラーニング(AL)は、この取り組みを減らすために提案されているが、既存の手法には3つの重要な制限がある。
我々は、アノテーション効率のよいマルチクラス病理組織分類のための患者レベルのALフレームワークであるSHAL(Slide-level Hybrid Active Learning)を提案する。
論文 参考訳（メタデータ） (2026-07-10T13:48:26Z) - Control-Plane Placement Shapes Forgetting: An Architectural Study of Agent Memory Across Thirteen System Configurations [1.2763567932588586]
ForgetEvalは1000ケースのテンプレート・スイートと385ケースの対向層(手作り+253 LLMのオラクル・バリデーション)
決定論的プリミティブは語彙的・時間的カテゴリーで十分だが、正準化に失敗する。
1000ケースのテンプレートスイートと385ケースの反対層であるForgetEvalを通じて、トレードオフを公開しています。
論文 参考訳（メタデータ） (2026-06-14T16:32:15Z) - Topological Void Analysis A Mathematical Framework for Systematic Technical Innovation Discovery in Knowledge Spaces [0.0]
本稿では,高密度なハイブリッド埋め込み空間におけるトポロジカルヴォイドをトポロジカルヴォイドとして定義する数学的枠組みであるトポロジカルヴォイド解析(TVA)を提案する。
TVAは96の目標に対して2,128件の発明候補を生成し、90%は自動品質フィルタリングに成功し、191件のREVISEと1件のAPPROVEの審査を4つの専門家による審査から得る。
論文 参考訳（メタデータ） (2026-04-20T06:41:39Z) - Vision Token Masking Alone Cannot Prevent PHI Leakage in Medical Document OCR: A Systematic Evaluation [0.0]
視覚言語モデル(VLM)は、医療環境における光学的文字認識(OCR)のためにますます多くデプロイされている。
本研究は、DeepSeek-OCRを用いた医療文書OCRのプライバシー保護機構として、推論時視覚トークンマスキングを初めて体系的に評価したものである。
論文 参考訳（メタデータ） (2025-11-23T03:45:22Z) - Unified Unsupervised Anomaly Detection via Matching Cost Filtering [113.43366521994396]
教師なし異常検出(UAD)は、通常のトレーニングデータのみを用いて画像レベルの異常と画素レベルの異常を識別することを目的としている。
UADモデルの異常コスト量を補正するための汎用的なポストホック精錬フレームワークであるUnified Cost Filtering (UCF) を提案する。
論文 参考訳（メタデータ） (2025-10-03T03:28:18Z) - Triplet Contrastive Learning for Unsupervised Vehicle Re-identification [55.445358749042384]
部分的特徴学習は、車両の再識別におけるセマンティック理解にとって重要な技術である。
本稿では,クラスタ機能を活用したTCL(Triplet Contrastive Learning framework)を提案する。
論文 参考訳（メタデータ） (2023-01-23T15:52:12Z) - Learning Classifiers of Prototypes and Reciprocal Points for Universal
Domain Adaptation [79.62038105814658]
Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。
主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。
既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
論文 参考訳（メタデータ） (2022-12-16T09:01:57Z) - G-DetKD: Towards General Distillation Framework for Object Detectors via
Contrastive and Semantic-guided Feature Imitation [49.421099172544196]
そこで本研究では,すべてのピラミッドレベルにまたがる特徴ペア間のソフトマッチングを自動的に行う,意味誘導型特徴模倣手法を提案する。
また,異なる特徴領域間の関係で符号化された情報を効果的に捉えるために,コントラスト蒸留を導入する。
本手法は,(1)フレームワークのコンポーネントを別々に使用した場合に,既存の検出KD技術よりも優れた性能を発揮する。
論文 参考訳（メタデータ） (2021-08-17T07:44:27Z) - Learning Open Set Network with Discriminative Reciprocal Points [70.28322390023546]
オープンセット認識は、事前に定義されたクラスからサンプルを同時に分類し、残りを「未知」として識別することを目的としている。
本稿では,各既知圏に対応するクラス外空間のポテンシャル表現であるReciprocal Pointを提案する。
相互点によって構成される有界空間に基づいて、未知のリスクは多圏相互作用によって減少する。
論文 参考訳（メタデータ） (2020-10-31T03:20:31Z)
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。