論文の概要: Novel or Not? PatEx-Gym: Agentic Prior-Art Search for Novelty Assessment in Patent Examination
- arxiv url: http://arxiv.org/abs/2610.33503v1
- Date: Sat, 24 Oct 2026 07:21:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.346886
- Title: Novel or Not? PatEx-Gym: Agentic Prior-Art Search for Novelty Assessment in Patent Examination
- Title（参考訳）: 新規か否か?PatEx-Gym:特許審査における新規性評価のためのエージェント事前検索
- Abstract要約: 本稿では,特許審査のためのエージェントの開発と評価のための最初のフレームワークであるPatEx-Gymを紹介する。
第一に、PatEx-Benchは1K以上の現実的な検査タスク、100万以上の特許と52Kの科学論文を含む2つの大規模な検索コーパス、反復探索をサポートするハーネスランタイムを提供する。
第2に,アノテーションを含まないエージェント検索トラジェクトリフレームワークPASSを紹介する。
第3に、4BスケールでPatEx-Agentを訓練し、キュレートされた軌道の微調整を監督し、軽量なベースラインを確立する。
- 参考スコア（独自算出の注目度）: 18.631161106859242
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Patent examination is a challenging real-world task that requires agents to discover sparse prior art, iteratively refine queries, inspect technical evidence, and produce novelty assessments documented in Office Actions (OAs) across heterogeneous scientific and technical domains. However, existing benchmarks largely focus on static and limited candidate sets, leaving the full search--reasoning--assessment process underexplored. We present PatEx-Gym, the first framework for developing and evaluating agents for patent examination, which integrates three components. First, PatEx-Bench provides 1K realistic examination tasks, two large-scale retrieval corpora containing over 1M patents and 52K scientific papers, and a harness runtime supporting iterative search, document visits, reasoning, and OA generation. Second, we introduce PASS, an annotation-free Prior-Art Agentic Search Trajectory Synthesis framework. Specifically, it exploits document visits as implicit relevance signals and evidence-acquisition anchors to model intra-turn query behavior, inter-turn search progression, and trajectory-level evidence and outcome quality, yielding PatEx-SynData. Third, we train PatEx-Agent at the 4B scale via supervised fine-tuning on the curated trajectories, establishing a lightweight baseline. Extensive experiments show that final decision accuracy alone does not fully reflect examination quality, while prior-art discovery remains difficult even for strong frontier models. Our PatEx-Agent achieves competitive performance against substantially larger general-purpose agents. These results show that training on PatEx-SynData enables a compact 4B model to serve as a competitive baseline for prior-art search and patent examination. We view patent examination as a demanding testbed for agentic search and deep research agents.
- Abstract（参考訳）: 特許審査は、エージェントがスパース先行技術を発見し、クエリを反復的に洗練し、技術的証拠を検査し、異質な科学的および技術的領域にわたってオフィスアクション(OA)で文書化された新規性評価を作成することを要求する、挑戦的な現実世界の課題である。
しかし、既存のベンチマークは主に静的で限定的な候補セットに焦点を当てており、完全な検索-推論-評価プロセスは未検討のままである。
本稿では3つのコンポーネントを統合した特許審査エージェントの開発と評価のための最初のフレームワークであるPatEx-Gymを紹介する。
第一に、PatEx-Benchは1K以上の現実的な検査タスク、100万以上の特許と52K以上の科学論文を含む大規模な検索コーパス、反復検索、文書訪問、推論、およびOA生成をサポートするハーネスランタイムを提供する。
第2に,アノテーションを含まないエージェント検索トラジェクトリフレームワークPASSを紹介する。
具体的には、文書訪問を暗黙の関連信号とエビデンス獲得アンカーとして利用して、ターン内クエリの振る舞い、ターン間検索の進行、軌跡レベルのエビデンスと結果の品質をモデル化し、PatEx-SynDataを得る。
第3に、4BスケールでPatEx-Agentを訓練し、キュレートされた軌道の微調整を監督し、軽量なベースラインを確立する。
大規模な実験では、最終決定精度だけでは試験品質を十分に反映していないが、強いフロンティアモデルでさえ先行技術発見は難しいままである。
私たちのPatEx-Agentは、より大規模な汎用エージェントと競合する性能を実現しています。
これらの結果から,PatEx-SynDataのトレーニングにより,コンパクトな4Bモデルにより,先行技術による検索および特許審査の競争基盤となることが示唆された。
我々は,特許審査をエージェント検索とディープリサーチエージェントの要求テストベッドとみなしている。
関連論文リスト
- Glasseek: A Transparent Recipe for Training and Trustworthy Evaluation of DeepSearch Agents [48.64274374077379]
Glasseekは完全な開発ライフサイクルにまたがる、完全な透過的なディープ検索フレームワークです。
データ構築のために,我々は,高品質な探索経路を体系的に生成する軌道キュレーションパイプラインを構築した。
トレーニングでは,探索と要約に同じポリシーを用いて,実行サブトラジェクトリのみを最適化するコンプレッション管理GSPOを提案する。
論文 参考訳（メタデータ） (2026-10-12T15:48:45Z) - FORT-Searcher: Synthesizing Shortcut-Resistant Search Tasks for Training Deep Search Agents [79.32220873172078]
ディープ・サーチ・エージェントの訓練には、十分な証拠が検索を通じて取得されるまで回答が得られない検証可能な質問が必要である。
このギャップをショートカット対応の難易度フレームワークで形式化し、4つの実行可能なショートカットリスクを特定する。
このフレームワークによってガイドされたFORTは、ショートカット耐性トレーニングデータ合成のフレームワークである。
論文 参考訳（メタデータ） (2026-06-10T13:49:11Z) - Rethinking Reasoning-Intensive Retrieval: Evaluating and Advancing Retrievers in Agentic Search Systems [55.04168927059962]
推論集約的な検索は、単にトピックの類似性に一致するのではなく、下流の推論を支持する証拠を明らかにすることを目的としている。
BRIGHT-Proは、専門家による注釈付きベンチマークで、各クエリを複数アスペクトのゴールドエビデンスで拡張する。
また,相補的な正と正条件の強陰性を生成するアスペクト分解型合成コーパスであるRTriever-Synthを構築した。
論文 参考訳（メタデータ） (2026-05-05T17:42:50Z) - PatRe: A Full-Stage Office Action and Rebuttal Generation Benchmark for Patent Examination [22.330452135284414]
PatReは、完全な特許審査ライフサイクルをモデル化する最初のベンチマークである。
我々のベンチマークでは、特許審査を正当化と応答の動的なマルチターンプロセスとして再設定しています。
論文 参考訳（メタデータ） (2026-05-05T09:42:38Z) - Is It Novel and Why? Fine-Grained Patent Novelty Prediction Based on Passage Retrieval [12.986519085613635]
このデータセットは3,658個の特許クレームと,細粒度で特徴レベルの先行技術を用いた新規なデータセットである。
請求項を特徴に分解し,各特徴を先行技術に対して解析し,最終的に請求項レベルの新規性予測を導出するLCMに基づく分類器の実装と評価を行う。
論文 参考訳（メタデータ） (2026-05-04T09:34:30Z) - AutoResearchBench: Benchmarking AI Agents on Complex Scientific Literature Discovery [55.70879973230979]
AutoResearchBenchは、自律的な科学文献発見のためのベンチマークである。
エージェントWebブラウジングに関する以前のベンチマークと比較すると、AutoResearchBenchは研究指向である。
最も強力なLCMでさえ、BrowseCompのような一般的なエージェントによるWebブラウジングベンチマークをほとんど征服したにもかかわらず、Deep Researchでは9.39%、Wide Researchでは9.31%の精度しか達成していない。
論文 参考訳（メタデータ） (2026-04-28T06:05:17Z) - Citation-Driven Multi-View Training for Patent Embeddings: QaECTER and Sophia-Bench [1.7299359373305296]
大規模な特許検索ベンチマークであるSophiabenchを紹介する。
また、特許引用グラフに基づいて訓練されたコンパクトな埋め込みモデルであるQaECTERを紹介する。
どちらのベンチマークも、大規模な特許検索システムへの実践的な展開のために設計されている。
論文 参考訳（メタデータ） (2026-04-24T12:18:00Z) - AgentIR: Reasoning-Aware Retrieval for Deep Research Agents [76.29382561831105]
ディープリサーチエージェントは、各検索の前に明示的な自然言語推論を生成する。
Reasoning-Aware Retrievalは、クエリと一緒にエージェントの推論トレースを埋め込む。
DR-Synthは、標準的なQAデータセットからDeep Researchレトリバーのトレーニングデータを生成する。
AgentIR-4Bは、オープンウェイトエージェントであるTongyi-DeepResearchで68%の精度を達成する。
論文 参考訳（メタデータ） (2026-03-04T18:47:26Z) - OpenNovelty: An LLM-powered Agentic System for Verifiable Scholarly Novelty Assessment [63.662126457336534]
OpenNoveltyは、透明で証拠に基づく新規性分析のためのエージェントシステムである。
回収された実論文のすべての評価を根拠にし、検証可能な判断を確実にする。
OpenNoveltyは、公正で一貫性があり、エビデンスに支えられたピアレビューを促進するスケーラブルなツールで、研究コミュニティに力を与えることを目指している。
論文 参考訳（メタデータ） (2026-01-04T15:48:51Z) - PatenTEB: A Comprehensive Benchmark and Model Family for Patent Text Embedding [1.0742675209112622]
特許テキストの埋め込みは、先行技術検索、技術造園、および特許分析を可能にするが、既存のベンチマークでは特許固有の課題を適切に捉えていない。
PatenTEBは、検索、分類、パラフレーズ、クラスタリングにまたがる15のタスクからなる総合的なベンチマークである。
我々は,最大4096個のトークンを持つ67万から344万のパラメータにまたがるマルチタスクトレーニングにより,ピアテムドモデルファミリを開発した。
論文 参考訳（メタデータ） (2025-10-25T12:01:46Z) - 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)
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。