Resumo Técnico: Geração Adaptativa de Reivindicações de Patentes em Múltiplas Etapas com Avaliação de Qualidade Unificada

1. Definição do Problema

Os sistemas atuais de geração automatizada de reivindicações de patentes enfrentam três limitações fundamentais que dificultam sua implementação prática em fluxos de trabalho reais de procuração de patentes:

1. Baixa Generalização Cross-Jurisdicional: Os modelos existentes, frequentemente treinados em conjuntos de dados limitados de escritórios de patentes específicos (ex: USPTO ou EPO), têm dificuldade em se adaptar aos distintos requisitos linguísticos e legais de diferentes jurisdições.
2. Modelagem Inadequada de Relacionamento Semântico: Os sistemas de similaridade tradicionais dependem de segmentação de tokens fixa (ex: 512 tokens) e similaridade de cosseno simplista. Estes falham em capturar dependências de longo alcance e não conseguem distinguir relacionamentos semânticos complexos entre reivindicações e o estado da técnica (prior art), tais como equivalência, melhoria ou contradição.
3. Avaliação de Qualidade Não Confiável: As estruturas de avaliação atuais tipicamente empregam modelos separados para cada critério de qualidade (ex: clareza, completude), levando a mecanismos de pontuação inconsistentes que correlacionam mal com os julgamentos de especialistas humanos.

2. Metodologia

Os autores propõem uma nova estrutura adaptativa de três estágios projetada para abordar essas limitações através de uma arquitetura unificada.

Estágio 1: Análise de Similaridade de Patente Adaptativa

Para superar as limitações de segmentação de comprimento fixo e métricas de similaridade simples, o sistema emprega:

• Fragmentação Adaptativa (Adaptive Chunking): Em vez de tamanhos fixos, o sistema determina dinamicamente os tamanhos dos fragmentos ($s$) com base na complexidade do conteúdo ($\kappa$), que considera a razão entre reivindicações e figuras em relação ao total de tokens. Os tamanhos variam de 256 a 1024 tokens para preservar as fronteiras semânticas.
• Atenção de Múltiplas Cabeças Sensível a Relacionamentos: O sistema utiliza um mecanismo de atenção de múltiplas cabeças com oito cabeças especializadas ($H=8$). Diferente da atenção padrão, estas cabeças são explicitamente treinadas para modelar tipos de relacionamento específicos:
  • Cabeças 1–2: Equivalência
  • Cabeças 3–4: Melhoria
  • Cabeças 5–6: Contradição
  • Cabeças 7–8: Similaridade Técnica
    Isso permite que o modelo distinga relacionamentos semânticos sutis dentro de contextos de patentes.

Estágio 2: Geração de Reivindicações Adaptativa ao Domínio

Para abordar desafios cross-jurisdicionais e cross-domínio, o módulo de geração integra:

• Seleção Dinâmica de Adaptadores LoRA: O sistema classifica a patente de entrada em um de cinco domínios (mecânica, elétrica, software, química, biotecnologia) e seleciona dinamicamente um adaptador de Adaptação de Baixo Rank (LoRA) correspondente. Isso permite que o Modelo de Linguagem Grande (LLM) base adapte seus parâmetros de forma eficiente para domínios técnicos específicos sem a necessidade de um ajuste fino completo.
• Aprendizado por Currículo (Curriculum Learning): Um mecanismo de progressão de dificuldade ($\tau(t)$) guia o processo de treinamento através de três níveis: extração simples, geração estruturada e construção de reivindicação complexa. Isso acelera a convergência e melhora a robustez.

Estágio 3: Avaliação de Qualidade Unificada

Para resolver inconsistências de pontuação, os autores substituem modelos de avaliação separados por uma Arquitetura de Tarefa Única Unificada:

• Mecanismo de Atenção Cruzada (Cross-Attention): Um codificador compartilhado (Longformer) processa as reivindicações de referência e geradas concatenadas. A atenção cruzada é aplicada entre esta representação compartilhada e cinco embeddings de consulta específicos de aspectos (completude, clareza, terminologia, lógica e qualidade geral). Isso modela explicitamente as interdependências entre diferentes dimensões de qualidade.
• Aprendizado de Margem Adaptativa: O sistema ajusta os limiares de qualidade dinamicamente com base no domínio da patente, aprendendo critérios específicos do domínio para o que constitui uma reivindicação de "alta qualidade".

3. Principais Contribuições

O artigo descreve quatro contribuições primárias:

1. Design Arquitetural: Um design principiado que aborda explicitamente as restrições de correspondência de similaridade fixa e os vieses de treinamento de domínio único através de fragmentação adaptativa e aprendizado de currículo cross-jurisdicional.
2. Arquitetura Integrada: Um novo sistema que integra perfeitamente a análise de similaridade sensível a relacionamentos (via atenção de múltiplas cabeças especializada) com a geração de reivindicações adaptativa ao domínio (via seleção dinâmica de LoRA).
3. Protocolo de Avaliação Unificado: Uma estrutura de avaliação abrangente utilizando avaliação de tarefa única unificada com aprendizado de margem adaptativa, demonstrando melhorias consistentes tanto em métricas automatizadas quanto na correlação com especialistas humanos.
4. Validação Empírica: Estudos de ablação extensos e insights analíticos validando as contribuições específicas de cada componente arquitetural.

4. Resultados Experimentais

A estrutura foi avaliada nos conjuntos de dados USPTO HUPD, coleções de patentes da EPO e no benchmark Patent-CE. O modelo base utilizado foi o Llama-3.1-8B.

Melhorias de Desempenho:

• Qualidade de Geração: O método proposto alcançou um ROUGE-L de 52.8 no benchmark USPTO HUPD, superando o GPT-4o (45.2) por 7.6 pontos e o PatClaimEval (48.1) por 4.7 pontos.
• Similaridade Semântica: Demonstrou uma melhoria de 8.3% no BERTScore (91.2 vs. 84.1) sobre o Llama-3.1-8B e uma melhoria de 12.1% no BLEU.
• Retenção Cross-Jurisdicional: Quando testado em dados da USPTO após treinamento em dados da EPO, o método manteve 89.4% de retenção de desempenho, superando significativamente os métodos de baseline (76.2%).
• Correlação de Avaliação de Qualidade: O modelo de avaliação unificado alcançou uma correlação de 0.847 com os julgamentos de especialistas humanos, uma melhoria substancial sobre a correlação de 0.623 alcançada por modelos de avaliação separados.

Eficiência e Treinamento:

• A abordagem de aprendizado por currículo resultou em uma convergência 15% mais rápida em comparação ao treinamento padrão.
• A precisão da classificação de domínio atingiu 91.3% dentro das primeiras 10 épocas.

5. Significância e Alegações

O artigo posiciona este trabalho como uma solução abrangente para os fluxos de trabalho de procuração de patentes automatizados. Ao estabelecer um sistema que mantém alto desempenho em diferentes jurisdições e domínios técnicos, mantendo-se próximo à avaliação de especialistas humanos, os autores alegam ter abordado os gargalos críticos de generalização, modelagem semântica e avaliação confiável.

Os autores enfatizam que sua abordagem fornece uma base para o processamento automatizado de patentes no futuro, observando especificamente que a estrutura de avaliação unificada aumenta significativamente a confiabilidade da pontuação automatizada, o que é crucial para integrar ferramentas de IA em fluxos de trabalho jurídicos e técnicos profissionais. O trabalho baseia-se em baselines anteriores (como Han et al., 2025) para demonstrar desempenho superior em tarefas cross-jurisdicionais, alcançando uma melhoria de 15% na precisão sobre esses métodos de baseline.