Resumen Técnico: Un Marco para la Atribución de Shapley Jerárquica Condicionada por Grafos en la Valoración de Patentes

1. Planteamiento del Problema

El artículo aborda el problema largamente no resuelto en la economía de la propiedad intelectual de estimar la contribución económica de una sola patente dentro de un producto que incorpora decenas de miles de patentes. Los marcos legales actuales (por ejemplo, Georgia-Pacific, Nash bargaining, análisis de valor incremental) tienen dificultades para combinar la computación condicionada por grafos con la asignación jerárquica mientras satisfacen la equidad axiomática.

Se establece una distinción crítica entre el problema computacional y el problema de estimación económica. Mientras que los modelos de aprendizaje automático pueden computar directamente una función característica $v(S)$ (el ingreso de un subconjunto de características), la valoración de patentes no puede observar $v(S)$ directamente. Los autores afirman explícitamente que estimar $v(S)$ a partir de datos reales sigue siendo un problema abierto; este artículo se centra en la contribución computacional: proporcionar un marco axiomático y eficiente para la computación del valor de Shapley dado un $v(S)$ bien definido.

2. Metodología: El Marco PatentXAI

Los autores proponen PatentXAI, un marco de cuatro capas que trata la valoración de patentes como un problema de atribución de características de IA Explicable (XAI). El marco se basa en el valor de Shapley, el cual satisface los axiomas de eficiencia, simetría, nulidad y aditividad.

Capa 1: Grafo de Conocimiento de Patentes Integral

El panorama tecnológico se modela como un grafo de propiedades dirigido que contiene:

• Nodos: Patentes, Características, Componentes y Estándares.
• Aristas: COVERS (Patente a Característica), IMPLEMENTED_IN (Característica a Componente), CITES (Patente a Patente, formando una red de Citación de Patentes Integral) y DECLARED_ESSENTIAL_TO (Patente a Estándar).
• Centralidad: A las patentes se les asignan pesos de centralidad compuestos ($w_i$) basados en PageRank, autoridad HITS y el grado de entrada normalizado dentro de la red de citación.

Capa 2: Estimación del Impacto Económico

Los componentes reciben pesos económicos mediante métodos como el análisis de preferencias declaradas (conjoint analysis), precios hedónicos o análisis de costos de ingeniería. Para las Patentes Esenciales de Estándares (SEP), estos pesos se anclan a las tasas de regalías FRAND y a las determinaciones judiciales.

Capa 3: Restricción de Coalición por Manta de Markov

Para hacer que la computación de Shapley sea tratable para carteras grandes ($n=100+$), los autores restringen la coalición para cada patente $i$ a su Manta de Markov ($MB(i)$).

• Definición: La $MB(i)$ incluye todos los componentes cubiertos por la patente $i$ y todas las demás patentes que cubren al menos uno de esos mismos componentes.
• Base Teórica: Esta restricción se fundamenta en el Teorema de Independencia Condicional C-SVE (Li et al., 2020), que postula que, bajo independencia condicional local, un valor de Shapley restringido por vecindad es igual al valor global casi con seguridad.
• Computación: Los valores de Shapley se aproximan mediante muestreo de Monte Carlo sobre permutaciones de la Manta de Markov en lugar de la cartera completa.

Capa 4: Asignación de Beneficios Jerárquica

La asignación procede en dos pasos para gestionar la escala:

1. A nivel de Componente: Se computan los valores de Shapley exactos para macro-componentes (típicamente de 4 a 8) para distribuir el beneficio total del producto entre ellos, capturando las sinergias.
2. A nivel de Patente: El presupuesto asignado a cada componente se distribuye entre sus patentes que lo cubren. Crucialmente, el peso de centralidad $w_i$ se integra en la función característica local $v_{local}(S)$ (Ecuación 2) en lugar de aplicarse como un multiplicador post-hoc. Esto crea un "Valor de Shapley con Prioridad" que respeta el axioma de eficiencia y desplaza la asignación hacia el núcleo del juego cooperativo.

3. Contribuciones Clave

El artículo describe seis contribuciones específicas:

1. Mapeo Formal: Establece la identidad estructural entre la atribución de características de XAI y la valoración de patentes, demostrando que el Shapley jerárquico satisface los axiomas bajo la aproximación condicionada por grafos.
2. Restricción de Manta de Markov: Introduce una restricción de coalición tratable basada en C-SVE, validada mediante experimentos de escalabilidad.
3. Resiliencia ante Componentes Densos: Demuestra que la aproximación no se degrada catastróficamente en sub-carteras densas tipo SEP; en su lugar, se expande para cubrir grupos densos, mejorando la precisión en entornos homogéneos.
4. Integración de Literatura: Aborda explícitamente el hallazgo de Ma et al. (2020) sobre la disociación entre los rankings de Shapley y la membresía de la Manta de Markov, aclarando que PatentXAI está diseñado para el prorrateo con restricciones presupuestarias, no para la selección de características causales. También se distingue de Dehez y Poukens (2014) mediante el uso de la restricción condicionada por grafos y la asignación jerárquica.
5. Arquitectura de Cuatro Capas: Integra grafos CPC, funciones características ponderadas por centralidad, matemáticas de SHAP-Tree-MCDA y actualizaciones dinámicas D-Shap para carteras en evolución.
6. Hoja de Ruta Empírica: Proporciona un plan concreto de validación utilizando conjuntos de datos públicos (ETSI, USPTO, Lens.org) y datos de litigios emblemáticos.

4. Resultados Experimentales

Los experimentos se realizaron en grafos de cobertura con distribución de Pareto sintética (simulando estructuras reales de SEP) utilizando un solo núcleo Intel i7.

• Escalabilidad (n=12 a n=100):

  • Con $n=100$, el tamaño mediano de la Manta de Markov es el 32.9% de $n$, y el percentil 90 es del 55.2%.
  • El tiempo de ejecución es de aproximadamente 10 milisegundos por patente.
  • La diferencia respecto a una referencia de Monte Carlo de alto muestreo (5,000 muestras) es de 0.062 ± 0.003 con $n=100$.
  • El error de aproximación no aumenta sistemáticamente con $n$.

• Experimento de Componente Denso:

  • En un escenario donde el 80% de las patentes comparten un único componente (imitando una sub-cartera densa de SEP), la Manta de Markov se expande para cubrir el 80% de las patentes.
  • Contraintuitivamente, el error disminuye a 0.039 en este entorno denso porque la coalición agrupada se vuelve estructuralmente homogénea, lo que hace que el muestreo dentro de la manta sea más preciso.

• Pipeline End-to-End de Ejemplo:

  • Un ejemplo de 10 patentes y 4 componentes demostró que el marco satisface el axioma de eficiencia, donde la suma de las valoraciones individuales de las patentes es exactamente igual al beneficio total del producto ($200).

5. Significado y Reivindicaciones

El artículo sostiene que PatentXAI ofrece una base axiomática y fundamentada para la valoración de patentes que ha estado ausente en la literatura legal y económica. Al tratar la valoración como un problema de XAI, aprovecha herramientas matemáticas establecidas (valores de Shapley, Mantas de Markov) para resolver la intratabilidad computacional de la asignación a escala de cartera.

Reivindicaciones Modestas y Limitaciones:

• Estimación de v(S): Los autores declaran explícitamente que estimar la función característica $v(S)$ a partir de datos reales es el "problema principal abierto". El marco asume que $v(S)$ es dado; la precisión económica de la valoración final depende enteramente de la calidad de este insumo.
• Validación: Ninguna parte de PatentXAI se ha ejecutado aún con datos reales de patentes. Los resultados actuales se basan en datos sintéticos y pruebas teóricas.
• Supuesto de Fidelidad: La garantía teórica de la restricción de la Manta de Markov depende de un supuesto de fidelidad (que la estructura del grafo codifica las independencias condicionales en la función de beneficio); los autores reconocen que esto puede no cumplirse en todos los escenarios del mundo real y tratan la restricción como un heurístico motivado computacionalmente con precisión validada empíricamente.
• Aceptación Legal: Aunque el marco aborda el problema de la "disociación" (donde las patentes redundantes podrían recibir valores de Shapley elevados), los autores señalan que es una cuestión empírica si los tribunales aceptarán los rankings ponderados por centralidad sobre los precedentes legales tradicionales.

En conclusión, PatentXAI se presenta no como un sistema de valoración integral ya validado, sino como un marco de computación eficiente y axiomático que cierra la brecha entre la teoría de juegos cooperativos y las limitaciones prácticas del análisis de carteras de patentes, con una hoja de ruta clara para su futura validación empírica.