論文の概要: Learning and Predicting Patent Technology Reuse Trajectories from Emergence-Time Signals
- arxiv url: http://arxiv.org/abs/2610.00806v1
- Date: Wed, 30 Sep 2026 22:58:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.799654
- Title: Learning and Predicting Patent Technology Reuse Trajectories from Emergence-Time Signals
- Title（参考訳）: 創発時信号による特許技術の再利用軌道の学習と予測
- Abstract要約: 201,710ドルの特許技術(初のIPCコードペアリング,USPTO 2002-2022)について研究する。
我々の一次ラベル付けは、20ドルの再利用トラジェクトリで訓練されたGRUオートエンコーダの潜在空間に$k$-meansを適用します。
技術初年度で観測可能な7つの出現時特徴は、これらのラベルを1-vs-restマクロROC-AUC 0.914$で復元する。
10年間にわたって観察された技術の再現は、いずれも正しく検閲されていないが、この暦年効果が主に経年変化を反映していることを示している。
- 参考スコア（独自算出の注目度）: 4.05599528263557
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Forecasting how a newly emerged patent technology will be reused is central to technology intelligence, but reuse-pattern labels do not exist in advance: they must be constructed from the trajectories themselves, and how they are constructed determines what a forecast means. We study $201{,}710$ novel patent technologies (first-time IPC code pairings, USPTO 2002--2022). Our primary labeling applies $k$-means in the latent space of a GRU autoencoder trained on the $20$-year reuse trajectories, using no hand-crafted features; to our knowledge this is the first use of a learned sequence representation for this task. Seven emergence-time features, observable in a technology's first year, recover these labels at a one-vs-rest macro ROC-AUC of $0.914$, but the calendar year of emergence alone reaches $0.874$. A replication on technologies observed for ten full years, none of them right-censored, indicates that this calendar-year effect mainly reflects change over time in what was patented. Separately we cluster the emergence-time features themselves, after Fractal Autoencoder feature selection. That emergence-profile partition agrees with the GRU-based labels only marginally above chance (Adjusted Rand Index $\approx 0.04$), so a partition of emergence-time features is not a reuse-pattern taxonomy and should not be read as one. On a trajectory-shape task following the published construction, GBDT reaches $0.831$ with all seven features and $0.740$ with the selected subset; the published $0.728$, from a different corpus and labeling, is a reference point rather than a benchmark. Two features are additionally left-truncated for the earliest cohorts, which we quantify.
- Abstract（参考訳）: 新たな特許技術がどのように再利用されるかを予測することは、テクノロジーインテリジェンスの中心であるが、再利用パターンラベルは、事前に存在していない。
We study 201{,}710$ novel patent technology ( first-time IPC code pairings, USPTO 2002-2022)。
我々の一次ラベル付けは、20ドルの再利用トラジェクトリで訓練されたGRUオートエンコーダの潜在空間に$k$-meansを適用する。
テクノロジーの初年度で観測可能な7つの出現時刻機能は、これらのラベルを1-vs-restマクロROC-AUC$0.914$で回収するが、カレンダー年だけで0.874$に達する。
10年間にわたって観察された技術の複製は、いずれも正しく検閲されていないが、この暦年効果は、主に特許が取得された時間の経過とともに変化を反映していることを示している。
分離して、Fractal Autoencoderの機能選択の後に、出現時機能自体をクラスタ化します。
出現時特徴の分割は再利用パターンの分類ではなく、GRUベースのラベルにほぼ一致している(Adjusted Rand Index $\approx 0.04$)。
7つの機能をすべて備えたGBDTが0.831ドル、選択されたサブセットが0.740ドルに達し、異なるコーパスとラベルから0.728ドルが発行された。
2つの特徴は、最初期のコホートに対して左折される。
関連論文リスト
- Zero-Copy Semantic Contagion: An In-Memory Streaming Architecture for Evolving Attention Graphs [0.0]
テキストから直接駆動される連続時間グラフとして,企業間の関心をマップするRust-Pythonストリーミングアーキテクチャを導入する。
摂取側では、ゼロコピーのRustエッジがニュースレコードを$sim$100 nsで解析し、ターゲットのエクイティ宇宙を$sim$1.2 $sでスキャンする。
1つのコモディティCPU上で、入ってくるニュースレコードあたり13msのエンドツーエンド処理レイテンシを実証する。
論文 参考訳（メタデータ） (2026-06-04T05:48:56Z) - Interpretable Machine Learning for Predicting Startup Funding, Patenting, and Exits [0.0]
本研究は、資金調達、特許取得、退社を含むスタートアップの成果を予測するための解釈可能な機械学習フレームワークを開発する。
次の資金調達は12ヶ月以内に行われ、24ヶ月以内に特許ストックが成長し、IPO(IPO)や36ヶ月以内に買収される。
論文 参考訳（メタデータ） (2025-10-10T15:20:29Z) - $\texttt{SPECS}$: Faster Test-Time Scaling through Speculative Drafts [55.231201692232894]
$textttSPECS$は、投機的デコードにインスパイアされた遅延対応のテスト時間スケーリングメソッドである。
我々の結果は、$textttSPECS$matchはビームサーチの精度を上回り、最大$sim$19.1%のレイテンシを削減していることを示している。
論文 参考訳（メタデータ） (2025-06-15T05:50:05Z) - One-Stage Top-$k$ Learning-to-Defer: Score-Based Surrogates with Theoretical Guarantees [6.792743621449621]
最初の1段階のTop-k$ Learning-to-Deferフレームワークを紹介します。
我々は、最もコスト効率の良いエンティティラベルや専門家1人当たりのインプットを$k$で選択するスコアベースの共有モデルを学ぶ。
CIFAR-10とSVHNの実験により、我々の1段階のTop-$k$法がTop-1deferralを厳密に上回っていることを確認した。
論文 参考訳（メタデータ） (2025-05-15T10:41:16Z) - Mind the Gap: A Causal Perspective on Bias Amplification in Prediction & Decision-Making [58.06306331390586]
本稿では,閾値演算による予測値がS$変化の程度を測るマージン補数の概念を導入する。
適切な因果仮定の下では、予測スコア$S$に対する$X$の影響は、真の結果$Y$に対する$X$の影響に等しいことを示す。
論文 参考訳（メタデータ） (2024-05-24T11:22:19Z) - Beyond Invariance: Test-Time Label-Shift Adaptation for Distributions
with "Spurious" Correlations [44.99833362998488]
テスト時のデータ分散の変化は、予測モデルのパフォーマンスに有害な影響を及ぼす可能性がある。
本研究では,未ラベルサンプルに適用したEMを用いて,共同分布の$p(y, z)$の変化に適応するテストタイムラベルシフト補正を提案する。
論文 参考訳（メタデータ） (2022-11-28T18:52:33Z) - Cross-Model Pseudo-Labeling for Semi-Supervised Action Recognition [98.25592165484737]
CMPL(Cross-Model Pseudo-Labeling)と呼ばれる,より効果的な擬似ラベル方式を提案する。
CMPLは、それぞれRGBモダリティとラベル付きデータのみを使用して、Kinetics-400とUCF-101のTop-1の精度を17.6%と25.1%で達成している。
論文 参考訳（メタデータ） (2021-12-17T18:59:41Z) - Clustering Mixture Models in Almost-Linear Time via List-Decodable Mean
Estimation [58.24280149662003]
本稿では,データセットの大部分を敵が破壊できるリストデコタブル平均推定の問題について検討する。
我々は、ほぼ最適な統計的保証を達成するために、リストデコダブル平均推定のための新しいアルゴリズムを開発した。
論文 参考訳（メタデータ） (2021-06-16T03:34:14Z) - Augmented Natural Language for Generative Sequence Labeling [17.36190954354384]
本稿では,共同シーケンスラベリングと文レベルの分類のための生成フレームワークを提案する。
本モデルは,1つの共有自然言語出力空間を用いて,複数のシーケンスラベリングタスクを同時に実行する。
一般的な名前付きエンティティ認識、スロットラベリング、インテント分類ベンチマークにおいて、これらの利点を実証する。
論文 参考訳（メタデータ） (2020-09-15T19:23:53Z) - Benchmarking Graph Neural Networks [75.42159546060509]
グラフニューラルネットワーク(GNN)は、グラフ上のデータから分析および学習するための標準ツールキットとなっている。
成功している分野が主流で信頼性を持つようになるためには、進捗を定量化するためにベンチマークを開発する必要がある。
GitHubリポジトリは1,800のスターと339のフォークに到達し、提案されているオープンソースフレームワークの有用性を実証している。
論文 参考訳（メタデータ） (2020-03-02T15:58:46Z)
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。