English(EN) Modeling Claim Dependency Structure for Patent Litigation Prediction with Graph Attention Networks

图注意力网络预测专利诉讼风险

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-25 04:00

研究人员开发了一种名为ClaimGAT的图注意力网络（GAT），用于预测专利诉讼风险。该模型通过独立编码每个专利权利要求并构建有向权利要求依赖图，解决了先前基于BERT的方法的局限性。该系统实现了0.818的AUC-ROC，并显示出显著的预测价值，揭示了与结构选择和内容敏感性相关的高风险专利的模式。 AI

影响引入了一种分析专利结构的新型基于图的方法，有望改善风险评估和法律策略。

排序理由学术论文，详细介绍了新模型及其在特定任务上的表现。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍了新模型及其在特定任务上的表现。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, product; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 2 days old; Coverage has settled into its steady-state source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Takao Arai, Hiroyasu Inoue · 2026-08-25 04:00

利用图注意力网络对专利诉讼预测中的声明依赖结构进行建模

arXiv:2608.21924v1 Announce Type: new 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 fundamenta…

本文如何被排名

报道来源 [1]

利用图注意力网络对专利诉讼预测中的声明依赖结构进行建模

相关实体

相关话题