Resumo Técnico: Um Framework para Atribuição de Shapley Hierárquica Condicionada a Grafos na Avaliação de Patentes

1. Declaração do Problema

O artigo aborda o problema de longa data e não resolvido na economia da propriedade intelectual: estimar a contribuição econômica de uma única patente dentro de um produto que incorpora dezenas de milhares de patentes. Os marcos legais atuais (ex: Georgia-Pacific, Nash bargaining, análise de valor incremental) lutam para combinar computação condicionada a grafos com alocação hierárquica enquanto satisfazem a equidade axiomática.

Uma distinção crítica é feita entre o problema computacional e o problema de estimativa econômica. Embora modelos de aprendizado de máquina possam computar diretamente uma função característica $v(S)$ (receita de um subconjunto de recursos), a avaliação de patentes não pode observar $v(S)$ diretamente. Os autores afirmam explicitamente que estimar $v(S)$ a partir de dados reais permanece um problema em aberto; este artigo foca na contribuição computacional: fornecer um framework axiomático e eficiente para a computação do valor de Shapley dado um $v(S)$ bem definido.

2. Metodologia: O Framework PatentXAI

Os autores propõem o PatentXAI, um framework de quatro camadas que trata a avaliação de patentes como um problema de atribuição de recursos de IA Explicável (XAI). O framework baseia-se no valor de Shapley, que satisfaz os axiomas de eficiência, simetria, nulidade e aditividade.

Camada 1: Grafo de Conhecimento de Patentes Abrangente

O cenário tecnológico é modelado como um grafo de propriedades direcionado contendo:

• Nós: Patentes, Recursos (Features), Componentes e Padrões (Standards).
• Arestas: COVERS (Patente para Recurso), IMPLEMENTED_IN (Recurso para Componente), CITES (Patente para Patente, formando uma rede de Citação de Patentes Abrangente) e DECLARED_ESSENTIAL_TO (Patente para Padrão).
• Centralidade: As patentes recebem pesos de centralidade compostos ($w_i$) baseados em PageRank, autoridade HITS e o grau de entrada normalizado na rede de citações.

Camada 2: Estimativa de Impacto Econômico

Os componentes recebem pesos econômicos usando métodos como análise conjunta (conjoint analysis), preços hedônicos ou análise de custo de engenharia. Para Patentes Essenciais de Padrão (SEPs), esses pesos são ancorados em taxas de royalties FRAND e determinações judiciais.

Camada 3: Restrição de Coalizão por Manta de Markov (Markov Blanket)

Para tornar a computação de Shapley tratável para grandes portfólios ($n=100+$), os autores restringem a coalizão para cada patente $i$ à sua Manta de Markov ($MB(i)$).

• Definição: $MB(i)$ inclui todos os componentes cobertos pela patente $i$ e todas as outras patentes que cobrem pelo menos um desses mesmos componentes.
• Base Teórica: Esta restrição fundamenta-se no Teorema de Independência Condicional C-SVE (Li et al., 2020), que postula que, sob independência condicional local, um valor de Shapley restrito ao vizinhança é quase certamente igual ao valor global.
• Computação: Os valores de Shapley são aproximados via amostragem de Monte Carlo sobre permutações da Manta de Markov em vez do portfólio completo.

Camada 4: Alocação de Lucro Hierárquica

A alocação ocorre em duas etapas para lidar com a escala:

1. Nível de Componente: Valores de Shapley exatos são computados para macrocomponentes (tipicamente 4 a 8) para distribuir o lucro total do produto entre eles, capturando sinergias.
2. Nível de Patente: O orçamento alocado para cada componente é distribuído entre suas patentes cobertoras. Crucialmente, o peso de centralidade $w_i$ é incorporado à função característica local $v_{local}(S)$ (Equação 2) em vez de ser aplicado como um multiplicador post-hoc. Isso cria um "Valor de Shapley Consciente de Prioridade" que respeita o axioma da eficiência e desloca a alocação em direção ao núcleo (core) do jogo cooperativo.

3. Principais Contribuições

O artigo delineia seis contribuições específicas:

1. Mapeamento Formal: Estabelece a identidade estrutural entre a atribuição de recursos de XAI e a avaliação de patentes, provando que o Shapley hierárquico satisfaz os axiomas sob aproximação condicionada a grafos.
2. Restrição de Manta de Markov: Introduz uma restrição de coalizão tratável fundamentada em C-SVE, validada por experimentos de escalabilidade.
3. Resiliência a Componentes Densos: Demonstra que a aproximação não degrada catastroficamente em subportfólios densos do tipo SEP; em vez disso, ela se expande para cobrir clusters densos, melhorando a precisão em configurações homogêneas.
4. Integração de Literatura: Aborda explicitamente a descoberta de Ma et al. (2020) sobre a desassociação entre rankings de Shapley e o pertencimento à Manta de Markov, esclarecendo que o PatentXAI é projetado para partilha de orçamento restrita, não para seleção de recursos causais. Também se distingue de Dehez e Poukens (2014) ao usar restrição condicionada a grafos e alocação hierárquica.
5. Arquitetura de Quatro Camadas: Integra grafos CPC, funções características ponderadas por centralidade, matemática de SHAP-Tree-MCDA e atualizações dinâmicas D-Shap para portfólios em evolução.
6. Roteiro Empírico: Fornece um plano concreto para validação usando conjuntos de dados públicos (ETSI, USPTO, Lens.org) e dados de litígios históricos.

4. Resultados Experimentais

Experimentos foram conduzidos em grafos de cobertura com distribuição Pareto sintética (simulando estruturas reais de SEP) usando um único núcleo Intel i7.

• Escalabilidade (n=12 a n=100):

  • Em $n=100$, o tamanho mediano da Manta de Markov é 32,9% de $n$, e o percentil 90 é 55,2%.
  • O tempo de execução é de aproximadamente 10 milissegundos por patente.
  • A diferença contra uma referência de Monte Carlo de alta amostragem (5.000 amostras) é de 0,062 ± 0,003 em $n=100$.
  • O erro de aproximação não aumenta sistematicamente com $n$.

• Experimento de Componente Denso:

  • Em um cenário onde 80% das patentes compartilham um único componente (imitando um subportfólio denso de SEP), a Manta de Markov se expande para cobrir 80% das patentes.
  • Contra-intuitivamente, o erro diminui para 0,039 neste cenário denso porque a coalizão agrupada torna-se estruturalmente homogênea, tornando a amostragem dentro da manta mais precisa.

• Pipeline Ponta-a-Ponta Simplificado (Toy Pipeline):

  • Um exemplo de 10 patentes e 4 componentes demonstrou que o framework satisfaz o axioma da eficiência, onde a soma das avaliações individuais das patentes é exatamente igual ao lucro total do produto ($200).

5. Significância e Alegações

O artigo afirma que o PatentXAI oferece uma fundação axiomática e principiada para a avaliação de patentes que estava ausente na literatura jurídica e econômica. Ao tratar a avaliação como um problema de XAI, ele aproveita ferramentas matemáticas estabelecidas (valores de Shapley, Mantas de Markov) para resolver a intratabilidade computacional da alocação em escala de portfólio.

Alegações Modestas e Limitações:

• Estimativa de v(S): Os autores afirmam explicitamente que estimar a função característica $v(S)$ a partir de dados reais é o "principal problema em aberto". O framework assume que $v(S)$ é fornecido; a precisão econômica da avaliação final depende inteiramente da qualidade deste dado de entrada.
• Validação: Nenhuma parte do PatentXAI foi executada em dados reais de patentes ainda. Os resultados atuais baseiam-se em dados sintéticos e provas teóricas.
• Suposição de Fidelidade (Faithfulness): A garantia teórica da restrição da Manta de Markov depende de uma suposição de fidelidade (que a estrutura do grafo codifica as independências condicionais na função de lucro). Os autores reconhecem que isso pode não se sustentar em todos os cenários do mundo real e tratam a restrição como uma heurística motivada computacionalmente com precisão empiricamente validada.
• Aceitação Jurídica: Embora o framework aborde a questão da "desassociação" (onde patentes redundantes podem receber altos valores de Shapley), os autores observam que é uma questão empírica se os tribunais aceitarão rankings ponderados por centralidade em vez dos precedentes legais tradicionais.

Em conclusão, o PatentXAI é apresentado não como um sistema de avaliação ponta-a-ponta totalmente validado, mas como um framework de computação eficiente e axiomático que preenche a lacavra entre a teoria dos jogos cooperativos e as restrições práticas da análise de portfólio de patentes, com um roteiro claro para futura validação empírica.