💻 computer science

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

Ce document introduit PatentXAI, un cadre qui traite l'intraitabilité computationnelle de la valorisation des brevets en approximant les valeurs de Shapley par des coalitions restreintes par la couverture de Markov au sein d'un graphe de connaissances, permettant ainsi une allocation hiérarchique efficace et précise des profits à travers de vastes portefeuilles de brevets.

Auteurs originaux : Joy Bose

Publié 2026-06-02

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Joy Bose

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous possédez un smartphone flambant neuf. Ce téléphone est un chef-d'œuvre d'ingénierie, mais ce n'est pas seulement une invention ; c'est un puzzle géant composé de 100 000 idées brevetées différentes.

Maintenant, imaginez une bataille juridique. Un inventeur affirme : « Je possède une petite partie de ce puzzle et je mérite une énorme part des bénéfices de ce téléphone. » L'entreprise répond : « Pas question, votre part est minuscule. » Le juge demande : « Comment diviser équitablement l'argent entre des milliers de personnes qui ont toutes contribué ? »

C'est le problème que l'article PatentXAI tente de résoudre. Il traite la valorisation des brevets comme un jeu de partage équitable, en utilisant un outil mathématique appelé la Valeur de Shapley (pensez à la règle du « juste milieu » pour diviser un gâteau).

Voici comment l'article décompose cela, en utilisant des analogies simples :

1. L'idée centrale : Le jeu du « Part Équitable »

Dans un jeu coopératif, la valeur de Shapley calcule la contribution de chaque joueur à la victoire totale de l'équipe.

Le Problème : Si vous avez 100 000 joueurs (brevets), calculer la part exacte de chacun est comme essayer de compter chaque grain de sable sur une plage. Cela prend trop de temps et est informatiquement impossible.
La Solution : Les auteurs ont créé un raccourci. Ils ont réalisé qu'un brevet n'a pas besoin d'interagir avec chaque autre brevet du monde pour connaître sa valeur. Il a seulement besoin d'interagir avec les brevets qui lui sont directement connectés.

2. Le raccourci : Le « Cercle Social » (Couverture de Markov)

L'article utilise un concept de la théorie des graphes appelé Couverture de Markov (Markov Blanket).

L'Analogie : Imaginez que vous êtes à une fête massive de 100 000 personnes. Pour déterminer votre influence sur l'ambiance de la fête, vous n'avez pas besoin de savoir ce que fait la personne dans le coin opposé. Vous avez seulement besoin de savoir ce que fait votre cercle social immédiat : vos amis, les amis de vos amis et les personnes avec qui vos amis discutent.
Comment ça marche : Le système construit un « graphe de connaissances » (une carte de qui cite qui et qui couvre quelle fonctionnalité du téléphone). Pour n'importe quel brevet donné, il ne regarde que son « cercle social » (les brevets couvrant les mêmes composants du téléphone).
Le Résultat : Au lieu de vérifier 100 000 brevets, le système n'en vérifie qu'environ 33 % (la « couverture »). Cela rend les calculs assez rapides pour s'exécuter en 10 millisecondes par brevet.

3. La hiérarchie à deux niveaux : La « Structure d'Entreprise »

L'article suggère une approche à deux niveaux pour répartir l'argent, comme une hiérarchie d'entreprise :

Niveau 1 (Les Départements) : D'abord, le profit total du téléphone est réparti entre les grands « départements » (ex: l'équipe Caméra, l'équipe Batterie, l'équipe Écran). Cela se fait via des mathématiques exactes car il n'y a que quelques départements.
Niveau 2 (Les Employés) : Ensuite, l'argent alloué au « Département Caméra » est réparti entre les brevets individuels de la caméra. Ici, le système utilise le raccourci du « cercle social » mentionné plus haut pour être rapide.
Le Twist : Le système pondère également les brevets en fonction de leur « importance » (comme leur célébrité ou leur centralité dans le réseau de citations). Un brevet qui est un « hub » de connexions reçoit une part légèrement plus grande du budget du département.

4. Tester le système : Le « Laboratoire de Simulation »

Les auteurs ont testé leur méthode à l'aide de simulations informatiques (puisqu'ils ne disposaient pas encore de données réelles issues de tribunaux).

Le Test : Ils ont créé de faux portefeuilles de brevets allant de 12 à 100 brevets.
Les Résultats :
- Vitesse : C'était incroyablement rapide.
- Précision : Le « raccourci » était très proche du calcul « parfait » (mais lent). La différence était infime (moins de 0,1).
- Le Test de « Densité » : Ils ont testé un scénario où 80 % des brevets couvraient exactement la même fonctionnalité (comme une pièce bondée où tout le monde crie la même chose). Étonnamment, le système est devenu plus précis dans ce scénario encombré parce que les « cercles sociaux » fusionnaient en un seul grand groupe clair.

5. La grande mise en garde : « Nous avons la calculatrice, pas les ingrédients »

C'est la partie la plus importante de l'article. Les auteurs sont très honnêtes sur ce qu'ils n'ont pas encore résolu.

La Pièce Manquante : La mathématique de Shapley a besoin d'un chiffre de départ : « Combien d'argent un groupe spécifique de brevets génère-t-il réellement ? » (Ceci est appelé la fonction caractéristique).
La Réalité : En apprentissage automatique, on peut facilement demander à un modèle informatique : « Que se passe-t-il si nous supprimons cette fonctionnalité ? ». Mais dans le monde réel, on ne peut pas facilement demander : « Combien d'argent ce téléphone rapporterait-il si nous supprimions ce brevet précis ? ».
La Position de l'Article : Les auteurs disent : « Nous avons construit une calculatrice parfaite et rapide pour diviser le gâteau, mais nous n'avons pas encore trouvé comment mesurer la taille du gâteau lui-même. » Ils suggèrent d'utiliser des données réelles (comme les affaires judiciaires et les prix du marché) pour estimer la taille de ce gâteau à l'avenir.

Résumé

PatentXAI est une nouvelle méthode, ultra-rapide, pour diviser équitablement les profits entre des milliers de propriétaires de brevets en ne regardant que leurs « cercles sociaux » plutôt que le monde entier. Cela fonctionne comme un gestionnaire à deux étapes : d'abord la répartition entre les départements, puis entre les brevets individuels.

Cependant, l'article admet qu'il s'agit actuellement d'un cadre théorique. Il fournit le moteur et le volant, mais le conducteur (les données réelles pour déterminer la valeur réelle d'un brevet) doit encore être construit et testé.

Résumé Technique : Un Cadre pour l'Attribution de Shapley Hiérarchique Conditionnée par un Graphe dans la Valorisation de Brevets

1. Énoncé du Problème

L'article traite du problème longtemps non résolu en économie de la propriété intellectuelle consistant à estimer la contribution économique d'un brevet unique au sein d'un produit incorporant des dizaines de milliers de brevets. Les cadres juridiques actuels (ex. Georgia-Pacific, Négociation de Nash, analyse de la valeur incrémentale) peinent à combiner le calcul conditionné par un graphe avec l'allocation hiérarchique tout en satisfaisant l'équité axiomatique.

Une distinction critique est établie entre le problème de calcul et le problème d'estimation économique. Alors que les modèles d'apprentissage automatique peuvent calculer directement une fonction caractéristique $v(S)$ (revenu d'un sous-ensemble de caractéristiques), la valorisation des brevets ne peut observer $v(S)$ directement. Les auteurs affirment explicitement que l'estimation de $v(S)$ à partir de données réelles reste un problème ouvert ; ce document se concentre sur la contribution computationnelle : fournir un cadre axiomatique efficace pour le calcul de la valeur de Shapley étant donné une fonction $v(S)$ bien définie.

2. Méthodologie : Le Cadre PatentXAI

Les auteurs proposent PatentXAI, un cadre à quatre couches qui traite la valorisation des brevets comme un problème d'attribution de caractéristiques par l'IA explicable (XAI). Le cadre repose sur la valeur de Shapley, qui satisfait les axiomes d'efficacité, de symétrie, de nullité et d'additivité.

Couche 1 : Graphe de Connaissances de Brevets Complet

Le paysage technologique est modélisé comme un graphe de propriétés dirigé contenant :

Nœuds : Brevets, Caractéristiques, Composants et Standards.
Arêtes : COVERS (Brevet vers Caractéristique), IMPLEMENTED_IN (Caractéristique vers Composant), CITES (Brevet vers Brevet, formant un réseau de citations de brevets complet), et DECLARED_ESSENTIAL_TO (Brevet vers Standard).
Centralité : Les brevets se voient attribuer des poids de centralité composites ( $w_i$ ) basés sur le PageRank, l'autorité HITS et le degré entrant normalisé dans le réseau de citations.

Couche 2 : Estimation de l'Impact Économique

Les composants se voient attribuer des poids économiques via des méthodes telles que l'analyse conjointe, la tarification hédonique ou l'analyse des coûts d'ingénierie. Pour les brevets essentiels à un standard (SEP), ces poids sont ancrés dans les taux de redevance FRAND et les décisions judiciaires.

Couche 3 : Restriction de Coalition par Couverture de Markov

Pour rendre le calcul de Shapley traitable pour de larges portefeuilles ( $n=100+$ ), les auteurs restreignent la coalition pour chaque brevet $i$ à sa Couverture de Markov ($MB(i)$).

Définition : $MB(i)$ inclut tous les composants couverts par le brevet $i$ et tous les autres brevets couvrant au moins l'un de ces mêmes composants.
Base Théorique : Cette restriction est fondée sur le Théorème d'Indépendance Conditionnelle C-SVE (Li et al., 2020), qui pose que sous l'indépendance conditionnelle locale, une valeur de Shapley restreinte au voisinage est presque sûrement égale à la valeur globale.
Calcul : Les valeurs de Shapley sont approximées via l'échantillonnage de Monte Carlo sur des permutations de la Couverture de Markov plutôt que sur le portefeuille complet.

Couche 4 : Allocation de Profit Hiérarchique

L'allocation procède en deux étapes pour gérer l'échelle :

Au niveau des composants : Les valeurs de Shapley exactes sont calculées pour les macro-composants (typiquement 4 à 8) afin de distribuer le profit total du produit entre eux, capturant ainsi les synergies.
Au niveau des brevets : Le budget alloué à chaque composant est distribué parmi les brevets qui le couvrent. Crucialement, le poids de centralité $w_i$ est intégré dans la fonction caractéristique locale $v_{local}(S)$ (Équation 2) plutôt que d'être appliqué comme un multiplicateur post-hoc. Cela crée une "Valeur de Shapley Sensible à la Priorité" qui respecte l'axiome d'efficacité et déplace l'allocation vers le cœur du jeu coopératif.

3. Contributions Clés

Le document souligne six contributions spécifiques :

Cartographie Formelle : Établit l'identité structurelle entre l'attribution de caractéristiques XAI et la valorisation des brevets, prouvant que le Shapley hiérarchique satisfait les axiomes sous approximation conditionnée par un graphe.
Restriction de la Couverture de Markov : Introduit une restriction de coalition traitable fondée sur le C-SVE, validée par des expériences de mise à l'échelle.
Résilience aux Composants Denses : Démontre que l'approximation ne se dégrade pas de manière catastrophique dans les sous-portefeuilles denses de type SEP ; au contraire, elle s'étend pour couvrir les clusters denses, améliorant la précision dans les contextes homogènes.
Intégration de la Littérature : Aborde explicitement la découverte de Ma et al. (2020) sur la dissociation entre les classements de Shapley et l'appartenance à la Couverture de Markov, clarifiant que PatentXAI est conçu pour l'imputation budgétaire, et non pour la sélection de caractéristiques causales. Il se distingue également de Dehez et Poukens (2014) par l'utilisation de la restriction conditionnée par le graphe et de l'allocation hiérarchique.
Architecture à Quatre Couches : Intègre les graphes CPC, les fonctions caractéristiques pondérées par la centralité, les mathématiques SHAP-Tree-MCDA et les mises à jour dynamiques D-Shap pour les portefeuilles évolutifs.
Feuille de Route Empirique : Fournit un plan concret de validation utilisant des ensembles de données publics (ETSI, USPTO, Lens.org) et des données de litiges marquants.

4. Résultats Expérimentaux

Des expériences ont été menées sur des graphes de couverture synthétiques à distribution de Pareto (simulant des structures de SEP réelles) en utilisant un seul cœur Intel i7.

Mise à l'échelle (n=12 à n=100) :
- À $n=100$ , la taille médiane de la Couverture de Markov est de 32,9 % de $n$ , et le 90e percentile est de 55,2 %.
- Le temps d'exécution est d'environ 10 millisecondes par brevet.
- La différence par rapport à une référence Monte Carlo à haut échantillonnage (5 000 échantillons) est de 0,062 ± 0,003 à $n=100$ .
- L'erreur d'approximation n'augmente pas systématiquement avec $n$ .
Expérience de Composant Dense :
- Dans un scénario où 80 % des brevets partagent un seul composant (imitant un sous-portefeuille SEP dense), la Couverture de Markov s'étend pour couvrir 80 % des brevets.
- Contre-intuitivement, l'erreur diminue à 0,039 dans ce contexte dense car la coalition regroupée devient structurellement homogène, rendant l'échantillonnage intra-couverture plus précis.
Pipeline de Bout en Bout (Exemple Simplifié) :
- Un exemple de 10 brevets et 4 composants a démontré que le cadre satisfait l'axiome d'efficacité, où la somme des valorisations individuelles des brevets est exactement égale au profit total du produit ($200).

5. Signification et Revendications

Le document affirme que PatentXAI offre un fondement axiomatique et principé pour la valorisation des brevets, qui faisait défaut dans la littérature juridique et économique. En traitant la valorisation comme un problème d'XAI, il exploite des outils mathématiques établis (valeurs de Shapley, Couvertures de Markov) pour résoudre l'intraitabilité computationnelle de l'allocation à l'échelle d'un portefeuille.

Revendications Modestes et Limites :

Estimation de v(S) : Les auteurs déclarent explicitement que l'estimation de la fonction caractéristique $v(S)$ à partir de données réelles est le "problème ouvert principal". Le cadre suppose que $v(S)$ est donné ; la précision économique de la valorisation finale dépend entièrement de la qualité de cet apport.
Validation : Aucune partie de PatentXAI n'a encore été testée sur des données de brevets réels. Les résultats actuels sont basés sur des données synthétiques et des preuves théoriques.
Hypothèse de Fidélité : La garantie théorique de la restriction de la Couverture de Markov repose sur une hypothèse de fidélité (que la structure du graphe encode les indépendances conditionnelles dans la fonction de profit). Les auteurs reconnaissent que cela peut ne pas tenir dans tous les scénarios du monde réel et traitent la restriction comme une heuristique motivée par le calcul avec une précision empiriquement validée.
Acceptation Juridique : Bien que le cadre traite de la question de la "dissociation" (où des brevets redondants pourraient recevoir des valeurs de Shapley élevées), les auteurs notent qu'il s'agit d'une question empirique de savoir si les tribunaux accepteront les classements pondérés par la centralité par rapport aux précédents juridiques traditionnels.

En conclusion, PatentXAI est présenté non pas comme un système de valorisation complet et validé de bout en bout, mais comme un cadre de calcul efficace et axiomatique qui comble le fossé entre la théorie des jeux coopératifs et les contraintes pratiques de l'analyse de portefeuille de brevets, avec une feuille de route claire pour une future validation empirique.