您当前的位置 :醴陵门户网 > 娱乐 > 深度学习在专利保护中的应用与发展研究

深度学习在专利保护中的应用与发展研究

深度学习在专利保护中的应用与发展研究 作者:未知 【摘要】近年来,随着计算能力的大幅提升,基于海量数据和大规模参数的深度学习技术的快速发展引起了学术界和工业界的广泛关注。本文从专利保护的角度研究深度学习的发展和应用。通过对国内外重要申请人专利申请的统计和分析,从知识产权的角度对重要专利进行了研究和扩展。深度学习技术的应用和发展趋势。 关键词:深度学习;专利申请;知识产权;技术开发 第1章概述 1.1背景和研究意义 近年来,深度学习在搜索引擎,推荐系统,图像识别和语音识别中具有许多重要的应用。在传统的统计机器学习中,模型用户通常需要以大量的领域知识为基础,并且模型需要进行许多特征工程和手动调整,并且模型学习的信息很浅。深度学习使用大量参数和数据来学习更深层次的功能。随着互联网产生大量数据,深度学习得到迅速发展,性能得到迅速提高[1]。 1.2研究方法 本文中的数据来自德温特世界专利索引数据库(DWPI)和中国专利文摘数据库(CNABS)。统计时间截止到2017年5月9日。在选择专利申请人时,本文主要根据行业和学术界选择两个维度。在学术界,选择了中国科学院,清华大学,北京大学和哈尔滨工业大学四所大学。学术界选择阿里巴巴,腾讯和百度。同时,为了比较国内外该领域的发展,我们还选择了一些外国申请人进行分析,包括IBM,谷歌和微软。 本文采用IPC和关键词搜索方法进行研究。单个IPC中的限制可能导致由于不准确的分类而错过检测。单独使用关键字可能会导致许多不相关的专利的引入。因此,本文采用的方法是使用关键词在多个IPC中进行搜索,以确保结果的正确性。此外,本文还利用典型案例进行研究,深入分析深度学习的技术结构,指出未来专利申请或审计中需要注意的问题。第二章重要申请人的专利统计与分析 本章分析了深度学习领域主要申请人的专利申请发展情况,分析了国内,国际,学术和工业部门的发展。我们主要通过两个维度进行分析:第一个是每个申请人的总申请量的比较,用作不同申请人类型发展的分析基础;第二个是根据时间专利申请的典型申请人的统计趋势。这分析了整个领域的发展趋势。 2.1重要申请人专利统计 图1反映了过去五年中基于深度学习的重要申请人的专利申请,包括过去五年中深度学习领域的专利申请数量。 我们知道,在传统的机器学习领域,大多数专利都来自学术界和工业界,申请量相对较小。但是,从图1可以看出,在深度学习领域,阿里巴巴和腾讯从工业界也有一定的专利申请,其数量与清华大学,北京大学等学术大学相似。这表明国内工业界和学术界非常关注这一领域。进一步分析,我们发现该领域是一个具有非常重要的实际应用领域,而不是仅限于学术界的研究领域。许多深度学习技术可以直接应用于工业产品,例如搜索。在引擎中,有必要判断用户查询与要检索的文档之间的相似程度,有必要使用自然语言处理来确定文本的语义距离,深度学习已被广??泛应用于近年来的自然语言处理。 换句话说,随着近年来人工智能的快速发展,特别是深度学习,从学术成果到工业产品的过渡期越来越短,企业在这些领域的投资可以迅速获得,所以我们看到,在我们选择的典型申请人中,在深度学习领域,该行业的专利申请数量与学术界相当。可以看出,在未来,在类似的领域,特别是在深度学习和人工智能领域,对专利保护的需求将迅速增加。 其次,从图1中可以看出,外国公司申请的申请数量超过了国内企业,这表明国内企业不像外国公司那样投资于这一技术方向。我们分析原因。典型的外国公司,包括IBM,谷歌和微软,已经建立了独立的前沿学术研究实验室,这些实验室在深度学习领域投入了大量资金。相比之下,目前国内企业在这方面的投入相对较低,因此专利申请数量自然要少得多。由此可见,外国公司在深度学习领域取得了先发优势。国内企业需要一定的时间和投入才能赶上最新的技术前沿发展,同时也需要注意专利领域的成果保护。2.2重要申请人数量的趋势 图2显示了近年来该领域重要申请人选择的申请人数量的趋势。从整体来看,从图中可以看出,该领域所有申请人的专利申请数量逐年增加。该方面表明,近年来深度学习的发展变得越来越强大。另一方面,它表明技术领域的快速发展可以通过其专利的发展来反映[5]。 比较国内外企业,我们可以从增长率上看出,外国公司对技术发展更为敏感。深度学习发展后,他们可以快速投入资源;而国内企业有一定程度的增长,但增长。费率较低。可以看出,国内企业对尖端技术的敏感性和重要性仍有很大的提升空间。掌握这些技术变革的拐点将使您有机会在未来的商业竞争中获得优势。 同时,我们看到了国内学术和工业应用之间的比较,这有一定的相关趋势,表明当前产学合作在深度学习领域比较完善,学术界的成果也是如此。可以快速应用于工业,工业。世界上重??要的公司也愿意投入一些资源进行深度学习研究。由此我们可以看出,深度学习作为一种新技术,在产业与教育的结合中具有快速发展的趋势。随着这种趋势,未来深度学习的发展将变得越来越热。 我们选择的重要申请人是该领域的技术领导者,他们越来越重视深度学习领域的专利保护。这表明该领域越来越受到行业内主要企业和研究机构的重视,这意味着该领域的专利保护竞争日趋激烈。可以预见,在未来几年内,专利申请数量将继续增加,未来该领域的专利保护工作将变得越来越重要。 第三章深度学习的关键专利技术分析 本章分析了国内外两个典型的专利申请案例,一方面分析了与深度学习相关的专利的特点。它在该领域的专利申请,审查和保护中具有一定的意义。另一方面,通过对关键专利的分析,我们可以知道,目前,深度学习领域的主流技术特点也可以预见其未来的发展趋势。 3.1国内重点专利分析在中国的重要申请者中,中国科学院在该领域的应用数量最多,这表明其在该领域的巨大贡献。在众多重要专利中,我们找到以下典型的分析专利。申请号为“CN201510270028”。在该专利中,公开了“基于深度语义特征学习的短文本聚类方法”[2]。 本申请公开了一种基于深度语义特征学习的短文本聚类方法,包括:在传统特征降维的情况下,在局部信息保存的约束下,对原始特征进行维数约简表示,得到低维实值向量二值化。用作卷积神经网络[4]结构的监督信息的误差反向传播训练模型;使用外部大规模语料库无监督训练单词向量,并对文本中每个单词的单词顺序进行向量化。作为卷积神经网络结构的初始输入特征,学习文本的隐含语义特征;在获得深层语义特征表示后,传统的K-means算法用于聚类文本[6]。 该应用程序是自然语言处理领域中深度学习的典型应用。它通过神经网络学习文本的语义表示,然后通过特定的类标签训练端到端神经网络,并结合其他传统的机器学习算法,如降维技术。这是一种用于自然语言处理的深度学习的典型过程,可以用作该领域中其他应用的比较模型。 3.2外国关键专利分析 在主要的外国申请人中,微软公司作为该领域的核心企业在该领域有许多应用。例如,在其公开申请No.US20150074027A1中,公开了一种类型。 “使用点击数据生成的深层结构化语义模型”提出了一种深度结构化的语义模型[3]。 首先,我们看到这个应用程序也是一个端到端的设计。实际上,它不仅仅是本文中提到的典型案例。许多相关应用程序是端到端结构,表明这是深度学习中使用的主流方法。 。其次,由于数据和培训目标不同,虽然它们是端到端结构,但模块的选择和顺序却大不相同。该应用程序是在深度学习领域中结合数据和网络结构的典型案例。我们知道深度学习是一种数据驱动的学习过程。如何将数据与网络结构相结合非常重要,因此我们学习了这种情况。您可以学习如何为不同的数据格式设计不同的输入和输出结构。在比较深度学习技术的差异时,数据结构的创新不容忽视。 第四章总结和展望 本文从专利保护的角度分析和分析了重要专利申请人在深度学习领域的应用趋势和应用量,并进一步分析了国内外典型案例。一方面,我们看到深度学习在许多领域都有重要的应用,技术发展越来越热,未来的专利保护竞争更加激烈,因此保护其健康发展至关重要;另一方面,我们看到了深刻的学习。技术特征鲜明,其多样化的创新,如与其他技术的集成,与需求的整合,模块的调整等,对于分析本发明的概念,差异和相似性具有一定的指导意义。 引用 [1] Goldberg Y.自然语言处理的神经网络模型入门[J]。计算机科学,2015。 [2]徐波,徐家明,郝宏伟,等。一种基于深度语义特征学习的短文本聚类方法; CN104915386A [P]。 2015年。 [3] Corporation M.使用点击数据生成的深层结构语义模型[J]。 2016年 [4] Cun Y L,Boser B,Denker J S,et al。带反向传播网络的手写数字识别[C] //神经信息处理系统的进展。 Morgan Kaufmann Publishers Inc. 1990:396-404。[5]俞? P,贾磊,陈玉强,等。昨天,今天和明天的深度学习[J]。计算机研究与发展,2013,50(9):1799-1804。 [6]孙继贵,刘杰,赵连玉。聚类算法研究[J]。 Journal of Software,2008,19(1):48-61。 [7]吴晓婷,严德钦。数据降维方法的分析与研究[J]。计算机应用,2009,26(8):2832-2835。

http://anzhuo.luolaijiafang.com.cn 穷游网