💻 computer science

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

Dit artikel introduceert PatentXAI, een raamwerk dat de computationele onhandelbaarheid van octrooiwaardering aanpakt door Shapley-waarden te benaderen via Markov-blanket-beperkte coalities binnen een kennisgraaf, wat efficiënte en nauwkeurige hiërarchische winstallocatie over grote octrooiportfolio's mogelijk maakt.

Oorspronkelijke auteurs: Joy Bose

Gepubliceerd 2026-06-02

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Joy Bose

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een gloednieuwe smartphone hebt. Deze telefoon is een meesterwerk van engineering, maar het is niet zomaar één uitvinding; het is een gigantische puzzel bestaande uit 100.000 verschillende gepatenteerde ideeën.

Stel je nu een juridische strijd voor. Eén uitvinder beweert: "Ik bezit een klein stukje van deze puzzel, en ik verdien een groot deel van de winst van de telefoon." Het bedrijf zegt: "Nee toch, jouw stukje is klein." De rechter vraagt zich af: "Hoe verdelen we het geld eerlijk onder duizenden mensen die allemaal hebben bijgedragen?"

Dit is het probleem dat het paper PatentXAI probeert op te lossen. Het behandelt de waardering van patenten als een spel van eerlijke verdeling, gebruikmakend van een wiskundig instrument genaamd de Shapley-waarde (denk aan de "Goldilocks"-regel voor het verdelen van een taart).

Hier is hoe het paper dit uiteenzet, met behulp van eenvoudige analogieën:

1. Het Kernidee: Het Spel van de "Eerlijke Aandelen"

In een coöperatief spel berekent de Shapley-waarde hoeveel elke speler bijdraagt aan de totale overwinning van het team.

Het Probleem: Als je 100.000 spelers hebt (patenten), is het berekenen van het exacte eerlijke aandeel voor iedereen alsof je probeert elk zandkorreltje op een strand te tellen. Dat duurt te lang en is computationeel onmogelijk.
De Oplossing: De auteurs hebben een kortere weg gecreëerd. Ze realiseerden zich dat een patent niet met elk ander patent in de wereld hoeft te interageren om zijn waarde te kennen. Het hoeft alleen maar te interageren met de patenten waarmee het direct verbonden is.

2. De Kortere Weg: De "Sociale Kring" (Markov Blanket)

Het paper maakt gebruik van een concept uit de grafentheorie genaamd een Markov Blanket.

De Analogie: Stel je voor dat je op een enorm feest bent met 100.000 mensen. Om te bepalen wat jouw invloed is op de sfeer van het feest, hoef je niet te weten wat de persoon in de verre hoek doet. Je hoeft alleen maar te weten wat jouw onmiddellijke sociale kring doet: je vrienden, de vrienden van je vrienden en de mensen met wie je vrienden praten.
Hoe het werkt: Het systeem bouwt een "knowledge graph" (een kaart van wie wie citeert en welke functies van de telefoon ze dekken). Voor een enkel patent kij je alleen naar zijn "sociale kring" (de patenten die dezelfde telefoononderdelen dekken).
Het Resultaat: In plaats van 100.000 patenten te controleren, controleert het systeem slechts ongeveer 33% van hen (de "blanket"). Dit maakt de wiskunde snel genoeg om in 10 milliseconden per patent uit te voeren.

3. De Tweestaps Hiërarchie: De "Bedrijfstructuur"

Het paper stelt een tweeledige aanpak voor om het geld te verdelen, vergelijkbaar met een bedrijfsstructuur:

Niveau 1 (De Afdelingen): Eerst wordt de totale winst van de telefoon verdeeld over de belangrijkste "afdelingen" (bijv. het Camera-team, het Batterij-team, het Scherm-team). Dit gebeurt met exacte wiskunde omdat er slechts een paar afdelingen zijn.
Niveau 2 (De Werknemers): Vervolgens wordt het geld dat aan de "Camera-afdeling" is toegewezen, verdeeld onder de individuele camera-patenten. Hier gebruikt het systeem de eerder genoemde "sociale kring"-methode om snel te zijn.
De Twist: Het systeem weegt patenten ook op basis van hun "belang" (zoals hoe beroemd of centraal ze zijn in het citatienetwerk). Een patent dat een "hub" van verbindingen is, krijgt een iets groter deel van het budget van de afdeling.

4. Het Systeem Testen: Het "Simulatie-laboratorium"

De auteurs hebben hun methode getest met computer-simulaties (omdat ze nog geen echte gegevens uit rechtszaken hadden).

De Test: Ze creëerden nep-patentportfolio's variërend van 12 tot 100 patenten.
De Bevindingen:
- Snelheid: Het was ongelooflijk snel.
- Nauwkeurigheid: De "kortere weg" kwam zeer dicht in de buurt van de "perfecte" (maar trage) berekening. Het verschil was minimaal (minder dan 0,1).
- De "Dichte" Test: Ze testten een scenario waarin 80% van de patenten exact dezelfde functie dekte (zoals een drukke kamer waar iedereen hetzelfde roept). Verrassend genoeg werd het systeem juist nauwkeuriger in dit drukke scenario, omdat de "sociale kringen" samensmolten tot één grote, duidelijke groep.

5. De Grote Kanttekening: "We Heb de Rekenmachine, Niet de Ingrediënten"

Dit is het belangrijkste deel van het paper. De auteurs zijn zeer eerlijk over wat ze nog niet hebben opgelost.

Het Ontbrekende Deel: De Shapley-wiskunde heeft een startgetal nodig: "Hoeveel geld genereert een specifieke groep patenten eigenlijk?" (Dit wordt de karakteristieke functie genoemd).
De Realiteit: In machine learning kun je heel gemakkelijk een computermodel vragen: "Wat gebeurt er als we deze functie verwijderen?" Maar in de echte wereld kun je niet gemakkelijk vragen: "Hoeveel geld zou deze telefoon maken als we dit ene patent zouden verwijderen?"
De Houding van het Paper: De auteurs zeggen: "We hebben een perfecte, snelle rekenmachine gebouwd om de taart te verdelen, maar we hebben nog niet uitgezocht hoe we de grootte van de taart moeten meten." Ze suggereren om in de toekomst echte gegevens (zoals rechtszaken en marktprijzen) te gebruiken om die taartgrootte te schatten.

Samenvatting

PatentXAI is een nieuwe, supersnelle manier om de winst eerlijk te verdelen onder duizenden eigenaren van patenten door alleen naar hun "sociale kringen" te kijken in plaats van naar de hele wereld. Het werkt als een tweestapsmanager: eerst het geld verdelen tussen afdelingen, en daarna tussen individuele patenten.

Het paper geeft echter toe dat het momenteel een theoretisch kader is. Het biedt de motor en het stuur, maar de bestuurder (de echte wereldgegevens om de werkelijke waarde van een patent te bepalen) moet nog worden gebouwd en getest.

Technische Samenvatting: Een Framework voor Grafiek-geconditioneerde Hiërarchische Shapley-attributie in Octrooiwaardering

1. Probleemstelling

Het artikel behandelt het langdurige, onopgeloste probleem in de economie van intellectueel eigendom: het schatten van de economische bijdrage van een enkel octrooi binnen een product dat tientallen duizenden octrooien bevat. Huidige juridische kaders (bijv. Georgia-Pacific, Nash-onderhandeling, incrementele waardeanalyse) worstelen met het combineren van grafiek-geconditioneerde berekening met hiërarchische allocatie, terwijl ze tegelijkertijd aan axiomatische rechtvaardigheid moeten voldoen.

Er wordt een cruciaal onderscheid gemaakt tussen het computationele probleem en het economische schattingsprobleem. Hoewel machine learning-modellen direct een karakteristieke functie $v(S)$ (de omzet van een subset aan kenmerken) kunnen berekenen, kan de waarde van een octrooi ( $v(S)$ ) niet direct uit de werkelijke data worden waargenomen. De auteurs stellen expliciet dat het schatten van $v(S)$ vanuit echte data een openstaand probleem blijft; dit artikel richt zich op de computationele bijdrage: het bieden van een efficiënt, axiomatisch framework voor de berekening van de Shapley-waarde, gegeven een goed gedefinieerde $v(S)$ .

2. Methodologie: Het PatentXAI Framework

De auteurs stellen PatentXAI voor, een vierlaags framework dat octrooiwaardering behandelt als een Explainable AI (XAI) feature-attributieprobleem. Het framework steunt op de Shapley-waarde, die voldoet aan de axioma's van efficiëntie, symmetrie, nulwaarde (dummy) en additiviteit.

Laag 1: Omvattende Patent Knowledge Graph

Het technologische landschap wordt gemodelleerd als een gerichte property graph die de volgende elementen bevat:

Nodes: Octrooien, Kenmerken (Features), Componenten en Standaarden.
Edges: COVERS (Octrooi naar Kenmerk), IMPLEMENTED_IN (Kenmerk naar Component), CITES (Octrooi naar Octrooi, wat een uitgebreid Patent Citation netwerk vormt) en DECLARED_ESSENTIAL_TO (Octrooi naar Standaard).
Centraliteit: Octrooien krijgen samengestelde centraliteitsgewichten ( $w_i$ ) gebaseerd op PageRank, HITS authority en genormaliseerde in-degree binnen het citatienetwerk.

Laag 2: Schatting van Economische Impact

Componenten krijgen economische gewichten via methoden zoals conjoint-analyse, hedonische prijsbepaling of engineering-kostenanalyse. Voor Standard-Essential Patents (SEP's) zijn deze gewichten verankerd in FRAND-royaltytarieven en gerechtelijke uitspraken.

Laag 3: Markov Blanket Coalitie-restrictie

Om de Shapley-berekening hanteerbaar te maken voor grote portfolio's ( $n=100+$ ), beperkt de auteur de coalitie voor elk octrooi $i$ tot zijn Markov Blanket ($MB(i)$).

Definitie: $MB(i)$ omvat alle componenten die door octrooi $i$ worden gedekt en alle andere octrooien die ten minste één van diezelfde componenten dekken.
Theoretische basis: Deze restrictie is gebaseerd op de C-SVE Conditional Independence Theorem (Li et al., 2020), die stelt dat onder lokale conditionele onafhankelijkheid een in de buurt beperkte Shapley-waarde bijna zeker gelijk is aan de globale waarde.
Berekening: Shapley-waarden worden benaderd via Monte Carlo-sampling over permutaties van de Markov Blanket, in plaats van over de volledige portfolio.

Laag 4: Hiërarchische Winstallocatie

De allocatie verloopt in twee stappen om schaalbaarheid te waarborgen:

Component-niveau: Exacte Shapley-waarden worden berekend voor macro-componenten (meestal 4–8) om de totale productwinst te verdelen, waarbij synergieën worden gevangen.
Octrooi-niveau: Het aan de component toegewezen budget wordt verdeeld onder de dekkende octrooien. Cruciaal is dat het centraliteitsgewicht $w_i$ wordt verweven in de lokale karakteristieke functie $v_{local}(S)$ (Vergelijking 2), in plaats van achteraf als een multiplier te worden toegepast. Dit creëert een "Priority-Aware Shapley Value" die de efficiëntie-axioma respecteert en de allocatie verschuift richting de coöperatieve spelkern (core).

3. Belangrijkste Bijdragen

Het artikel schetst zes specifieke bijdragen:

Formele Mapping: Vestigt de structurele identiteit tussen XAI feature-attributie en octrooiwaardering, en bewijst dat hiërarchische Shapley voldoet aan de axioma's onder grafiek-geconditioneerde benadering.
Markov Blanket Restrictie: Introduceert een hanteerbare coalitie-restrictie die gegrond is in C-SVE, gevalideerd door schalingsexperimenten.
Resistentie tegen Dense-Componenten: Toont aan dat de benadering niet catastrofaal verslechtert in dichte SEP-achtige sub-portfolio's; in plaats daarvan breidt het zich uit om dichte clusters te dekken, wat de nauwkeurigheid in homogene omgevingen verbetert.
Integratie van Literatuur: Adresseert expliciet de bevinding van Ma et al. (2020) over de dissociatie tussen Shapley-rangschikkingen en Markov Blanket-lidmaatschap, waarbij verduidelijkt wordt dat PatentXAI is ontworpen voor budgetbeperkte toewijzing, niet voor causale feature-selectie. Het onderscheidt zich ook van Dehez en Poukens (2014) door het gebruik van grafiek-geconditioneerde restrictie en hiërarchische allocatie.
Vierlaags Architectuur: Integreert CPC-grafieken, centraliteits-gewogen karakteristieke functies, SHAP-Tree-MCDA wiskunde en D-Shap dynamische updates voor evoluerende portfolio's.
Empirisch Roadmap: Biedt een concreet plan voor validatie met behulp van publieke datasets (ETSI, USPTO, Lens.org) en richtinggevende litigatiegegevens.

4. Experimentele Resultaten

Experimenten werden uitgevoerd op synthetische Pareto-verdeelde coverage-grafieken (die de structuur van echte SEP's simuleren) met behulp van een enkele Intel i7 core.

Schaling (n=12 tot n=100):
- Bij $n=100$ is de mediane grootte van de Markov Blanket 32,9% van $n$ , en het 90e percentiel is 55,2%.
- De runtime is ongeveer 10 milliseconden per octrooi.
- Het verschil ten opzichte van een high-sample Monte Carlo referentie (5.000 samples) is 0,062 ± 0,003 bij $n=100$ .
- De benaderingsfout neemt niet systematisch toe met $n$ .
Dense-Component Experiment:
- In een scenario waarin 80% van de octrooien een enkele component deelt (wat een dichte SEP sub-portfolio nabootst), breidt de Markov Blanket zich uit om 80% van de octrooien te dekken.
- Tegenintuïtief genoeg daalt de fout naar 0,039 in deze dichte setting, omdat de samengevoegde coalitie structureel homogeen wordt, wat de sampling binnen de blanket nauwkeuriger maakt.
Toy End-to-End Pipeline:
- Een voorbeeld met 10 octrooien en 4 componenten toonde aan dat het framework voldoet aan het efficiëntie-axioma, waarbij de som van de individuele octrooiwaarderingen exact gelijk is aan de totale productwinst ($200).

5. Betekenis en Claims

Het artikel claimt dat PatentXAI een geprincieerd, axiomatisch fundament biedt voor octrooiwaardering dat ontbrak in de juridische en economische literatuur. Door waardering te behandelen als een XAI-probleem, maakt het gebruik van gevestigde wiskundige instrumenten (Shapley-waarden, Markov Blankets) om de computationele onhandelbaarheid van portfolio-schaal allocatie op te lossen.

Bescheiden Claims en Beperkingen:

$v(S)$ Schatting: De auteurs stellen expliciet dat het schatten van de karakteristieke functie $v(S)$ het "primaire openstaande probleem" is. Het framework gaat ervan uit dat $v(S)$ gegeven is; de economische nauwkeurigheid van de uiteindelijke waardering hangt volledig af van de kwaliteit van deze input.
Validatie: Geen enkel deel van PatentXAI is nog gedraaid op echte octroйdata. De huidige resultaten zijn gebaseerd op synthetische data en theoretische bewijzen.
Getrouwheidsaanname (Faithfulness Assumption): De theoretische garantie van de Markov Blanket restrictie rust op een faithfulness-aanname (dat de grafiekstructuur de conditionele onafhankelijkheden in de winstfunctie codeert). De auteurs erkennen dat dit in de echte wereld mogelijk niet standhoudt en behandelen de restrictie als een computationeel gemotiveerde heuristiek met empirisch gevalideerde nauwkeurigheid.
Juridische Acceptatie: Hoewel het framework het "dissociatie"-probleem (waarbij redundante octrooien hoge Shapley-waarden kunnen krijgen) adresseert, merken de auteurs op dat het een empirische vraag is of rechtbanken centraliteits-gewogen rangschikkingen zullen accepteren boven traditionele juridische precedenten.

Concluderend wordt PatentXAI gepresenteerd, niet als een volledig gevalideerd end-to-end waarderingssysteem, maar als een efficiënt en axiomatisch computationeel framework dat de brug slaat tussen coöperatieve speltheorie en de praktische beperkingen van octrooiportfolio-analyse, met een duidelijke roadmap voor toekomstige empirische validatie.