💻 computer science

A Framework for Graph-Conditioned Hierarchical Shapley Attribution in Patent Valuation

Dieses Paper stellt PatentXAI vor, ein Framework, das die rechnerische Unlösbarkeit der Patentbewertung durch die Approximation von Shapley-Werten mittels Markov-Blanket-beschränkter Koalitionen innerhalb eines Wissensgraphen adressiert und dadurch eine effiziente sowie präzise hierarchische Gewinnallokation über große Patentportfolios hinweg ermöglicht.

Ursprüngliche Autoren: Joy Bose

Veröffentlicht 2026-06-02

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Joy Bose

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie besitzen ein brandneues Smartphone. Dieses Telefon ist ein Meisterwerk der Ingenieurskunst, aber es ist nicht nur eine einzige Erfindung; es ist ein riesiges Puzzle, das aus 100.000 verschiedenen patentierten Ideen besteht.

Stellen Sie sich nun einen Rechtsstreit vor. Ein Erfinder behauptet: „Ich besitze ein winziges Stück dieses Puzzles und verdiene einen riesigen Anteil am Gewinn des Telefons.“ Das Unternehmen sagt: „Auf keinen Fall, dein Stück ist klein.“ Der Richter fragt: „Wie teilen wir das Geld fair unter tausenden Menschen auf, die alle dazu beigetragen haben?“

Dies ist das Problem, das das Paper PatentXAI zu lösen versucht. Es behandelt die Patentbewertung wie ein Spiel um die faire Aufteilung und verwendet ein mathematisches Werkzeug namens Shapley-Wert (denken Sie an die „Goldlöckchen“-Regel für das Teilen eines Kuchens).

Hier ist die Aufschlüsselung des Papers, unter Verwendung einfacher Analogien:

1. Die Kernidee: Das Spiel um den „fairen Anteil“

In einem kooperativen Spiel berechnet der Shapley-Wert, wie viel jeder Spieler zum Gesamtsieg des Teams beiträgt.

Das Problem: Wenn Sie 100.000 Spieler (Patente) haben, ist die Berechnung des exakten fairen Anteils für jeden einzelnen so, als würde man versuchen, jedes Sandkorn an einem Strand zu zählen. Das dauert zu lange und ist rechnerisch unmöglich.
Die Lösung: Die Autoren haben eine Abkürzung geschaffen. Sie haben erkannt, dass ein Patent nicht mit jedem anderen Patent der Welt interagieren muss, um seinen Wert zu kennen. Es muss nur mit den Patenten interagieren, mit denen es direkt verbunden ist.

2. Die Abkürzung: Der „Sozialkreis“ (Markov-Blanket)

Das Paper verwendet ein Konzept aus der Graphentheorie namens Markov-Blanket.

Die Analogie: Stellen Sie sich vor, Sie sind auf einer riesigen Party mit 100.000 Menschen. Um herauszufinden, welchen Einfluss Sie auf die Stimmung der Party haben, müssen Sie nicht wissen, was die Person in der hinteren Ecke macht. Sie müssen nur wissen, was Ihr unmittelbarer Sozialkreis macht: Ihre Freunde, die Freunde Ihrer Freunde und die Menschen, mit denen Ihre Freunde gerade sprechen.
Die Funktionsweise: Das System baut einen „Wissensgraphen“ auf (eine Karte dessen, wer wen zitiert und wer welche Telefonfunktion abdeckt). Für ein einzelnes Patent betrachtet es nur dessen „Sozialkreis“ (die Patente, die dieselben Telefonteile abdecken).
Das Ergebnis: Anstatt 100.000 Patente zu prüfen, prüft das System nur etwa 33 % von ihnen (das „Blanket“). Dies macht die Mathematik schnell genug, um sie in 10 Millisekunden pro Patent auszuführen.

3. Die zweistufige Hierarchie: Die „Unternehmensstruktur“

Das Paper schlägt einen zweistufigen Ansatz zur Aufteilung des Geldes vor, ähnlich einer Unternehmenshierarchie:

Ebene 1 (Die Abteilungen): Zuerst wird der Gesamtgewinn des Telefons unter den wichtigsten „Abteilungen“ aufgeteilt (z. B. das Kamera-Team, das Batterie-Team, das Bildschirm-Team). Dies geschieht mit exakter Mathematik, da es nur wenige Abteilungen gibt.
Ebene 2 (Die Mitarbeiter): Als Nächstes wird das Geld, das der „Kamera-Abteilung“ zugewiesen wurde, unter den einzelnen Kamera-Patenten aufgeteilt. Hier nutzt das System die oben erwähnte „Sozialkreis“-Abkürzung, um schnell zu sein.
Der Clou: Das System gewichtet Patente auch bas nach ihrer „Wichtigkeit“ (wie berühmt oder zentral sie im Zitiernetzwerk sind). Ein Patent, das ein „Hub“ (Knotenpunkt) von Verbindungen ist, erhält ein etwas größeres Stück vom Budget der Abteilung.

4. Testen des Systems: Das „Simulationslabor“

Die Autoren testeten ihre Methode mithilfe von Computersimulationen (da sie noch keine realen Gerichtsdaten hatten).

Der Test: Sie erstellten fiktive Patentportfolios, die von 12 bis 100 Patenten reichten.
Die Ergebnisse:
- Geschwindigkeit: Es war unglaublich schnell.
- Genauigkeit: Die „Abkürzung“ war sehr nah an der „perfekten“ (aber langsamen) Berechnung. Der Unterschied war winzig (weniger als 0,1).
- Der „Dichte“-Test: Sie testeten ein Szenario, in dem 80 % der Patente exakt dieselbe Funktion abdeckten (wie ein überfüllter Raum, in dem alle dasselbe schreien). Überraschenderweise wurde das System in diesem überfüllten Szenario genauer, weil die „Sozialkreise“ zu einer einzigen großen, klaren Gruppe verschmolzen.

5. Das große Vorbehalt: „Wir haben den Taschenrechner, nicht die Zutaten“

Dies ist der wichtigste Teil des Papers. Die Autoren sind sehr ehrlich darüber, was sie noch nicht gelöst haben.

Das fehlende Puzzleteil: Die Shapley-Mathematik benötigt eine Startzahl: „Wie viel Geld generiert eine bestimmte Gruppe von Patenten tatsächlich?“ (Dies wird als charakteristische Funktion bezeichnet).
Die Realität: In der maschinellen Lerntechnik kann man leicht ein Computermodell fragen: „Was passiert, wenn wir dieses Merkmal entfernen?“ Aber in der realen Welt kann man nicht einfach fragen: „Wie viel Geld würde dieses Telefon verdienen, wenn wir dieses eine Patent entfernen?“
Die Haltung des Papers: Die Autoren sagen: „Wir haben einen perfekten, schnellen Taschenrechner für die Aufteilung des Kuchens gebaut, aber wir haben noch nicht herausgefunden, wie man die Größe des Kuchens misst.“ Sie schlagen vor, in der Zukunft reale Daten (wie Gerichtsprozesse und Marktpreise) zu verwenden, um diese Kuchengröße zu schätzen.

Zusammenfassung

PatentXAI ist eine neue, superschnelle Methode, um Gewinne unter tausenden Patentinhabern fair aufzuteilen, indem man nur deren „Sozialkreise“ betrachtet, anstatt die ganze Welt. Es funktioniert wie ein zweistufiger Manager: Zuerst wird das Geld zwischen den Abteilungen aufgeteilt, dann zwischen den einzelnen Patenten.

Dennoch geben die Autoren an, dass es sich derzeit um einen theoretischen Rahmen handelt. Es liefert den Motor und das Lenkrad, aber der Fahrer (die realen Daten zur Bestimmung des tatsächlichen Patentwerts) muss erst noch gebaut und getestet werden.

Technisches Resümee: Ein Framework für graphbedingte hierarchische Shapley-Attribution in der Patentbewertung

1. Problemstellung

Die Arbeit befasst sich mit dem langjährigen, ungelösten Problem in der IP-Ökonomie (Intellectual Property), nämlich der Schätzung des wirtschaftlichen Beitrags eines einzelnen Patents innerhalb eines Produkts, das zehntausende Patente umfasst. Aktuelle rechtliche Rahmenbedingungen (z. B. Georgia-Pacific, Nash-Verhandlung, inkrementale Wertanalyse) haben Schwierigkeiten, graphbedingte Berechnungen mit hierarchischer Allokation zu kombinieren und gleichzeitig axiomatische Fairness zu gewährleisten.

Es wird eine entscheidende Unterscheidung zwischen dem computationalen Problem und dem ökonomischen Schätzproblem gemacht. Während Machine-Learning-Modelle die charakteristische Funktion $v(S)$ (den Umsatz einer Merkmalsmenge) direkt berechnen können, kann die Patentbewertung $v(S)$ nicht direkt beobachten. Die Autoren stellen explizit fest, dass die Schätzung von $v(S)$ aus realen Daten ein offenes Problem bleibt; dieses Papier konzentriert sich auf den computationalen Beitrag: die Bereitstellung eines effizienten, axiomatischen Frameworks zur Berechnung des Shapley-Wertes unter der Voraussetzung einer wohldefinierten Funktion $v(S)$ .

2. Methodik: Das PatentXAI-Framework

Die Autoren schlagen PatentXAI vor, ein vierschichtiges Framework, das die Patentbewertung als ein Problem der erklärbaren KI (Explainable AI, XAI) zur Merkmalsattribution behandelt. Das Framework stützt sich auf den Shapley-Wert, der die Axiome Effizienz, Symmetrie, Nullwert (Dummy) und Additivität erfüllt.

Ebene 1: Umfassender Patent-Wissensgraph

Die Technologielandschaft wird als gerichteter Eigenschaftsgraph modelliert, der Folgendes enthält:

Knoten: Patente, Merkmale (Features), Komponenten und Standards.
Kanten: COVERS (Patent zu Merkmal), IMPLEMENTED_IN (Merkmal zu Komponente), CITES (Patent zu Patent, bildet ein umfassendes Patentzitationsnetzwerk) und DECLARED_ESSENTIAL_TO (Patent zu Standard).
Zentralität: Patenten werden zusammengesetzte Zentralitätsgewichte ( $w_i$ ) basierend auf PageRank, HITS-Authority und dem normierten In-Degree innerhalb des Zitationsnetzwerks zugewiesen.

Ebene 2: Schätzung der wirtschaftlichen Auswirkungen

Komponenten werden mittels Methoden wie Conjoint-Analyse, hedonischer Preisbildung oder ingenieurtechnischer Kostenanalyse wirtschaftliche Gewichte zugewiesen. Für Standard-essentielle Patente (SEPs) sind diese Gewichte an FRAND-Lizenzraten und gerichtliche Feststellungen gekoppelt.

Ebene 3: Beschränkung der Koalition durch das Markov-Blanket

Um die Shapley-Berechnung für große Portfolios ( $n=100+$ ) handhabbar zu machen, beschränken die Autoren die Koalition für jedes Patent $i$ auf sein Markov-Blanket ($MB(i)$).

Definition: $MB(i)$ umfasst alle Komponenten, die von Patent $i$ abgedeckt werden, sowie alle anderen Patente, die mindestens eine dieser Komponenten abdecken.
Theoretische Basis: Diese Beschränkung basiert auf dem C-SVE Conditional Independence Theorem (Li et al., 2020), welches postuliert, dass unter lokaler bedingter Unabhängigkeit ein im Nachbarschaftsumfeld beschränkter Shapley-Wert fast sicher dem globalen Wert entspricht.
Berechnung: Shapley-Werte werden mittels Monte-Carlo-Sampling über Permutationen des Markov-Blankets anstelle des gesamten Portfolios approximiert.

Ebene 4: Hierarchische Gewinnallokation

Die Allokation erfolgt in zwei Schritten, um die Skalierbarkeit zu bewältigen:

Komponentenebene: Exakte Shapley-Werte werden für Makro-Komponenten (typischerweise 4–8) berechnet, um den Gesamtgewinn des Produkts unter Berücksichtigung von Synergien zu verteilen.
Patentebene: Das jeweils zugewiesene Budget einer Komponente wird auf die sie abdeckenden Patente verteilt. Entscheidend ist, dass das Zentralitätsgewicht $w_i$ in die lokale charakteristische Funktion $v_{local}(S)$ (Gleichung 2) integriert wird, anstatt als Post-hoc-Multiplikator angewendet zu werden. Dies erzeugt einen „Prioritäts-bewussten Shapley-Wert“, der das Effizienzaxiom respektiert und die Allokation in Richtung des kooperativen Spielkerns verschiebt.

3. Zentrale Beiträge

Das Papier skizziert sechs spezifische Beiträge:

Formale Abbildung: Es stellt die strukturelle Identität zwischen XAI-Merkmalsattribution und Patentbewertung her und beweist, dass der hierarchische Shapley-Wert unter graphbedingter Approximation die Axiome erfüllt.
Markov-Blanket-Beschränkung: Führt eine handhabbare Koalitionsbeschränkung ein, die auf C-SVE basiert und durch Skalierungsexperimente validiert wurde.
Resilienz gegenüber dichten Komponenten: Zeigt, dass die Approximation in dichten SEP-ähnlichen Teil-Portfolios nicht katastrophal degradiert; stattdessen erweitert sie sich, um dichte Cluster abzudecken, was die Genauigkeit in homogenen Settings verbessert.
Integration der Literatur: Adressiert explizit den Befund von Ma et al. (2020) bezüglich der Disassoziation zwischen Shapley-Rankings und der Zugehörigkeit zum Markov-Blanket, indem es klärt, dass PatentXAI für die budgetbeschränkte Zuteilung und nicht für die kausale Merkmalsselektion konzipiert ist. Es unterscheidet sich zudem von Dehez und Poukens (2014) durch die Verwendung von graphbedingter Beschränkung und hierarchischer Allokation.
Vierschichtige Architektur: Integriert CPC-Graphen, zentralitätsgewichtete charakteristische Funktionen, SHAP-Tree-MCDA-Mathematik und D-Shap dynamische Updates für sich entwickelnde Portfolios.
Empirischer Fahrplan: Liefert einen konkreten Plan zur Validierung unter Verwendung öffentlicher Datensätze (ETSI, USPTO, Lens.org) und bedeutender Rechtsstreitigkeiten.

4. Experimentelle Ergebnisse

Experimente wurden auf synthetischen Pareto-verteilten Coverage-Graphen (die reale SEP-Strukturen simulieren) auf einem einzelnen Intel i7 Kern durchgeführt.

Skalierung (n=12 bis n=100):
- Bei $n=100$ beträgt die mediane Größe des Markov-Blankets 32,9 % von $n$ , und das 90. Perzentil liegt bei 55,2 %.
- Die Laufzeit beträgt etwa 10 Millisekunden pro Patent.
- Die Differenz gegenüber einer High-Sample-Monte-Carlo-Referenz (5.000 Samples) beträgt 0,062 ± 0,003 bei $n=100$ .
- Der Approximationsfehler steigt mit $n$ nicht systematisch an.
Experiment zu dichten Komponenten:
- In einem Szenario, in dem 80 % der Patente eine einzige Komponente teilen (was ein dichtes SEP-Subportfolio simuliert), erweitert sich das Markov-Blanket auf 8-0 % der Patente.
- Kontraintuitivweise sinkt der Fehler in diesem dichten Setting auf 0,039, da die gebündelte Koalition strukturell homogen wird, was das Sampling innerhalb des Blankets genauer macht.
Toy End-to-End Pipeline:
- Ein 10-Patent-, 4-Komponenten-Beispiel demonstrierte, dass das Framework das Effizienzaxiom erfüllt, wobei die Summe der individuellen Patentbewertungen exakt dem Gesamtproduktgewinn ($200) entspricht.

5. Bedeutung und Ansprüche

Das Paper behauptet, dass PatentXAI eine prinzipielle, axiomatische Grundlage für die Patentbewertung bietet, die in der Rechts- und Wirtschaftsliteratur bisher gefehlt hat. Indem es die Patentbewertung als XAI-Problem behandelt, nutzt es etablierte mathematische Werkzeuge (Shapley-Werte, Markov-Blankets), um die computationale Intraktabilität der Allokation auf Portfolioebene zu lösen.

Bescheidene Ansprüche und Limitationen:

$v(S)$ Schätzung: Die Autoren stellen explizit fest, dass die Schätzung der charakteristischen Funktion $v(S)$ aus realen Daten das „primäre offene Problem“ ist. Das Framework setzt voraus, dass $v(S)$ gegeben ist; die ökonomische Genauigkeit der finalen Bewertung hängt vollständig von der Qualität dieses Inputs ab.
Validierung: Kein Teil von PatentXAI wurde bisher auf realen Patentdaten angewendet. Die aktuellen Ergebnisse basieren auf synthetischen Daten und theoretischen Beweisen.
Glaubwürdigkeitsannahme (Faithfulness): Die theoretische Garantie der Markov-Blanket-Beschränkung beruht auf einer Faithfulness-Annahme (dass die Graphstruktur die bedingten Unabhängigkeiten in der Gewinnfunktion kodiert). Die Autoren räumen ein, dass dies in der realen Welt möglicherweise nicht zutrifft, und behandeln die Beschränkung als eine computational motivierte Heuristik mit empirisch validierter Genauigkeit.
Rechtliche Akzeptanz: Während das Framework das Problem der „Disassoziation“ (bei der redundante Patente hohe Shapley-Werte erhalten könnten) adressiert, merken die Autoren an, dass es eine empirische Frage ist, ob Gerichte zentralitätsgewichtete Rankings gegenüber traditionellen Rechtspräzedenzfällen akzeptieren werden.

Zusammenfassend lässt sich sagen, dass PatentXAI nicht als vollständig validiertes End-to-End-Bewertungssystem präsentiert wird, sondern als ein effizientes und axiomatisches Berechnungsframework, das die Lücke zwischen kooperativer Spieltheorie und den praktischen Anforderungen der Patentportfolio-Analyse schließt, ergänzt durch einen klaren Fahrplan für die zukünftige empirische Validierung.