AI這麼火，那麼專利申請文件怎麼撰寫？

加關注▲

微信號：華進知識產權

華進全新專欄：《知產研究所》第 20 期

作者：李文淵 國內專利事業部

作者在「AI這麼火，那麼專利申請文件怎麼撰寫？（上篇）」中，介紹了機器學習的實現主要分為模型訓練和模型應用兩大階段。其中，模型訓練包括數據清洗、特徵提取、模型內部結構變化、模型參數更新演算法以及模型組合訓練等階段。模型應用則包括數據採集、特徵提取、模型內部結構變化、模型輸出結果應用以及模型組合應用等階段。

上篇中介紹了此類申請文件撰寫的整體思路，下篇中將針對不同階段的改進分別進行說明。

1

改進在數據清洗階段的情況

比如對缺失的訓練數據進行補缺時所採用的插值演算法進行改進。此種情況下，一般不涉及模型應用的改進，因此一般沒必要構建模型應用的獨權；而且一般不涉及具體的機器學習演算法，可將模型當作黑盒處理。

2

改進在特徵提取階段的情況

將模型應用到某種具體場景中，模型訓練和模型應用都需要採用合適的特徵，此種情況下需要將特徵提取的過程和/或特徵的形態講清楚，突出特徵在模型訓練和/或模型應用中的作用。此種情況下，可優先構建模型應用的獨權，模型訓練可構建為從權或者另外構建獨權。必要時，可將模型訓練和應用過程中對特徵的具體處理過程體現在從權中，以進一步突出特徵的作用，進一步突出發明點。此種情況下一般不涉及具體的機器學習演算法，可將模型當作黑盒處理，甚至可以不出現模型的概念。

3

改進在模型內部結構變化的情況

比如神經網路模型的層次結構的調整。獨權中需要出現模型結構的主要改進之處，並說明輸入模型的數據如何經過模型內部結構得到輸出結果，說清楚模型內部結構調整給模型數據處理帶來了怎樣的變化，以突出模型內部結構調整所帶來的有益效果。此種情況下可就模型訓練和模型應用分別構建獨權，從權中可限定次要的內部結構調整及相應的數據處理、特徵提取的過程以及模型輸出結果的應用等。

4

改進點在模型參數更新演算法的情況

此種情況一般改進點僅在於模型訓練，需要在獨權把模型參數更新演算法的主要改進之處講清楚，從權中可限定具體應用場景、特徵提取等。

5

改進在模型組合訓練的情況

此種情況需要至少2個模型配合訓練。如果訓練後的模型應用時僅涉及其中一個模型，另一個模型僅在訓練時輔助使用，那麼改進重點還是在模型訓練。必要時可在從權中針對這種模型應用於具體場景的訓練過程進行限定。如果訓練後的模型應用時也是模型組合應用，那麼模型組合應用可另外構建獨權，從權中還可以對模型在具體應用場景中的應用進行限定。

6

改進在模型組合應用的情況

此種情況需要至少2個模型配合應用，比如一個模型用來提取特徵，另一個模型則用來基於提取的特徵輸出結果。可參考改進在模型組合訓練的情況。模型組合應用的改進一般也會涉及模型組合訓練的改進，而模型組合訓練的改進卻並非會一定涉及模型組合應用的改進。

7

改進在模型輸出結果應用的情況

此種情況出現最多，一般是對已有機器學習演算法的應用，可能只在某個步驟中需要進行分類時用到，改進之處並不在模型的作用機理。此時，可將模型作為「黑盒」處理，或者甚至可以不出現模型這一概念。

8

改進在遷移學習的情況

遷移學習比較特殊，一般重點在「遷移」，就是說重點在於如何將一個領域的數據應用到另一個領域中，獨權布局的重點在於數據的選擇以及數據形態的變化，此時可將模型當作黑盒處理，甚至不出現模型的概念。如果改進在於數據的遷移和學習的結合，也就是改進重點在於模型訓練，則有必要在獨權中體現具體如何將遷移的數據用於模型訓練。

以上針對涉及機器學習的方案各階段的改進分別做了介紹，有興趣的讀者可以私下就實際案例與作者討論。下篇的內容結束，希望能夠對大家有所幫助。

End

編輯/趙蕊

校對/趙蕊

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！