? ? 案例1：“基于LightGBM指標模型的物資抽檢方法及裝置”，其權利要求1為：一種基于LightGBM指標模型的物資抽檢方法，其特征在于，所述方法包括：獲取物資供應商的源數(shù)據(jù)，對所述源數(shù)據(jù)進行數(shù)據(jù)清洗，得到所述源數(shù)據(jù)的標準數(shù)據(jù)；獲取待構建的LightGBM指標模型，根據(jù)預設的目標函數(shù)對所述待構建的LightGBM指標模型進行配置，得到初始LightGBM指標模型，其中，所述預設的目標函數(shù)為：……；利用所述標準數(shù)據(jù)構建所述初始LightGBM指標模型的訓練集，利用所述訓練集對所述初始LightGBM指標模型進行訓練，得到所述初始LightGBM指標模型的訓練結果；根據(jù)所述訓練結果生成所述初始LightGBM指標模型的評價參數(shù)，利用所述評價參數(shù)對所述初始LightGBM指標模型進行參數(shù)優(yōu)化，得到訓練完成的LightGBM指標模型；利用所述訓練完成的LightGBM指標模型生成所述物資供應商的抽檢合格清單。

? ? 案例1在實審時，因不構成專利法第2條第2款規(guī)定的技術方案，不屬于專利保護的客體，被駁回。其駁回理由中提到：權1中LightGBM模型要處理的數(shù)據(jù)是供應商源數(shù)據(jù)，但該數(shù)據(jù)對象與LightGBM模型的各步驟并沒有任何技術上的關聯(lián)，LightGBM模型并沒有因應用到物資抽檢做出適應性修改，各步驟也沒有體現(xiàn)出其各步驟具體如何與物資抽檢相結合得到供應商的抽檢合格清單，同時源數(shù)據(jù)與供應商抽檢合格之間也未遵循自然規(guī)律，因此，采用的手段并非技術手段；……其實質(zhì)是提高LightGBM指標模型的準確度的問題，是算法優(yōu)化的問題，并非技術問題”。雖然，LightGBM模型在物資抽檢上應用場景發(fā)生了變化，其訓練數(shù)據(jù)“供應商源數(shù)據(jù)”也對應發(fā)生了變化，從技術上來說以“供應商源數(shù)據(jù)”訓練得到的模型其模型參數(shù)也必然得到調(diào)整，但審查員卻說數(shù)據(jù)對象與模型沒有任何技術上關聯(lián)，模型也沒有因應用到物資抽檢做出適應性修改。可見，單一的應用場景變化對應的訓練數(shù)據(jù)的變化及單一的算法優(yōu)化不屬于可專利性的點。

? ? 案例2：《審查指南》中提供的一種卷積神經(jīng)網(wǎng)絡模型的訓練方法，其特征在于，一種卷積神經(jīng)網(wǎng)絡?CNN?模型的訓練方法，其特征在于，所述方法包括：獲取待訓練?CNN?模型的初始模型參數(shù)，所述初始模型參數(shù)包括各級卷積層的初始卷積核、所述各級卷積層的初始偏置矩陣、全連接層的初始權重矩陣和所述全連接層的初始偏置向量；獲取多個訓練圖像；在所述各級卷積層上，使用所述各級卷積層上的初始卷積核和初始偏置矩陣，對每個訓練圖像分別進行卷積操作和大池化操作，得到每個訓練圖像在所述各級卷積層上的一特征圖像；對每個訓練圖像在至少一級卷積層上的一特征圖像進行水平池化操作，得到每個訓練圖像在各級卷積層上的第二特征圖像；根據(jù)每個訓練圖像在各級卷積層上的第二特征圖像確定每個訓練圖像的特征向量；根據(jù)所述初始權重矩陣和初始偏置向量對每個特征向量進行處理，得到每個訓練圖像的類別概率向量；根據(jù)所述每個訓練圖像的類別概率向量及每個訓練圖像的初始類別，計算類別誤差；基于所述類別誤差，對所述待訓練?CNN?模型的模型參數(shù)進行調(diào)整；基于調(diào)整后的模型參數(shù)和所述多個訓練圖像，繼續(xù)進行模型參數(shù)調(diào)整的過程，直至迭代次數(shù)達到預設次數(shù)；將迭代次數(shù)達到預設次數(shù)時所得到的模型參數(shù)作為訓練好的CNN?模型的模型參數(shù)。

? ? ?案例2中，《審查指南》中認為其明確了模型訓練方法的各步驟中處理的數(shù)據(jù)均為圖像數(shù)據(jù)以及各步驟如何處理圖像數(shù)據(jù)，體現(xiàn)出神經(jīng)網(wǎng)絡訓練算法與圖像信息處理密切相關。對比案例1和案例2權利要求的撰寫，案例1中只寫了供應商源數(shù)據(jù)到訓練集的變換，而訓練集進入模型后的變化缺失，案例2中訓練圖像進入模型后在卷積操作、池化操作、特征向量化以及誤差計算中的演變過程均有撰寫，可見，要讓應用場景的輸入數(shù)據(jù)與模型在技術上關聯(lián)，撰寫時需體現(xiàn)出模型算法對場景輸入數(shù)據(jù)的具體處理過程，即使用模型算法改變場景數(shù)據(jù)的過程可視為技術手段。進一步的，專利法保護客體還必須解決技術問題。案例2解決方案所解決的是如何克服?CNN?模型僅能識別具有固定尺寸的圖像的技術問題，采用了在不同卷積層上對圖像進行不同處理并訓練的手段，利用的是遵循自然規(guī)律的技術手段，獲得了訓練好的CNN?模型能夠識別任意尺寸待識別圖像的技術效果。

? ? ?因此，該發(fā)明專利申請的解決方案屬于專利法第二條第二款規(guī)定的技術方案，屬于專利保護客體。同樣的，對比案例1和案例2，兩者實質(zhì)上都對算法都做了改進，案例1對初始LightGBM指標模型的目標函數(shù)做了調(diào)整，案例2對特征向量化進行了優(yōu)化，那為什么對應要解決的問題案例1為非技術問題、案例2卻是技術問題呢？回到權利要求的撰寫上來看，案例1的權利要求算法改進并未作用在場景數(shù)據(jù)上，即并未直接體現(xiàn)出目標函數(shù)對場景數(shù)據(jù)做出的調(diào)整，所以它只是算法優(yōu)化。

? ? ?案例2權要中的算法優(yōu)化，是根據(jù)每個訓練圖像在各級卷積層上的第二特征圖像確定每個訓練圖像的特征向量，特征向量化直接作用到了場景數(shù)據(jù)上，它使得算法的作用關聯(lián)到了場景數(shù)據(jù)的變化上，對應的技術問題自然可以關聯(lián)到場景數(shù)上，從特征向量化的算法優(yōu)化轉變?yōu)樽R別任一尺寸待識別圖像解決僅能識別具有固定尺寸的圖像的技術問題。由此可見，對于模型算法的改進撰寫不能僅僅寫算法本身，而要將算法改進作用到場景數(shù)據(jù)上，將算法優(yōu)化問題轉換為場景里的特定技術問題，從而滿足專利法第2條第2款規(guī)定的技術方案的規(guī)定。同樣的，算法步驟對場景數(shù)據(jù)的作用過程（即改變過程）可將智力活動規(guī)則（算法本身）技術手段化。

原創(chuàng)?文季?知產(chǎn)人文季

免責聲明：版權歸原創(chuàng)所有僅供學習參考之用，禁止用于商業(yè)用途，部分文章推送時未能及時與原作者取得聯(lián)系，若來源標錯誤侵犯到您的權益煩請告知我們將立即刪除。