ＡI特許調査
事例紹介
電磁気学に関する特許調査をしてみた！
テーマ：電磁気学に関するAI特許調査
・調査観点
時系列データの異常検知において、複数の畳み込みニューラルネットワークと長短期記憶ネットワークを階層的に組み合わせ、入力データを特徴空間に符号化し、その特徴表現から予測モデルを構築し、予測値と実測値の差分に基づく損失関数を用いて異常を検出し、検出された異常パターンを自動的にクラスタリングして異常の種類を分類し、システムの状態遷移を考慮した修正アクションを提案することを特徴とする異常検知システム。
目的
上記のアイデア（調査観点）に関連する特許を抽出する。
条件
調査対象国：JP
調査資料：特許公報、実用新案公報
調査期間：出願10年
ステータス：生死不問
調査母集合：電磁気学とAI（人工知能、機械学習、ディープラーニング、深層学習）に関するもの
作業
- AIを使って、アイデアを生成＆ブラッシュアップ
- AIを使って、アイデアに関連する特許を抽出
- AIを使って、アイデアと抽出公報を対比（詳細評価）
- AIを使って、アイデアと抽出公報を対比（対比表作成）
- AIを使って、アイデアと類似する特許の出願動向分析
- AIを使って、アイデアと類似する技術カテゴリ抽出
目的①
先行技術調査
新規の特許出願を行う前に、類似する既存の特許公報を探す調査です。発明の新規性や進歩性を確認し、特許取得の可能性を判断します。無駄な出願を防ぎ、より強い特許請求範囲の作成に役立ちます。
目的②
侵害予防調査
新製品の開発・販売前に、他社の特許権を侵害していないかを確認する調査です。他社特許に抵触するリスクを事前に把握し、設計変更や回避策の検討、ライセンス交渉の判断材料として活用します。
目的③
無効資料調査
特定の特許の有効性を検証するための調査です。対象特許の出願前に公知となっていた特許公報を探し、新規性や進歩性を否定できる資料を収集します。特許無効審判や侵害訴訟での資料に使用されます。
事例紹介
Case Study
AIを活用した特許調査を動画とテキストでご紹介！
近年、人工知能（AI）技術の進歩により、特許調査の手法も大きく変化しています。AIを活用した特許調査では、従来の検索式による方法に加え、自然言語処理や機械学習の技術を用いることで、より広範な関連技術の発見や、類似特許の効率的な抽出が可能となっています。
特に、AIによる言語の意味理解や文脈把握により、キーワードだけでは発見が困難だった技術文献の特定や、異なる技術分野での類似発明の発見などで成果を上げています。また、大量の特許文献を短時間で分析し、技術動向の可視化や重要文献の優先度付けなども実現しています。
このような先進的な調査手法の導入により、調査の質と効率が向上し、より効果的な特許戦略の立案が可能となっています。
AIを使って、アイデアを生成＆ブラッシュアップ
AIを活用し、特許出願できそうなアイデアを10件、考えました。
以下の通り、ご報告いたします。
1. マルチモーダル時系列データ分析システム
複数のセンサから取得した時系列データと関連テキストデータを入力とし、時系列データの特徴抽出には畳み込みニューラルネットワークを、テキストデータの特徴抽出には双方向長短期記憶ネットワークを用い、抽出された特徴ベクトル間の正準相関分析により両データの関連性を学習し、新規データに対して類似度スコアを算出し、時系列データとテキストデータの相互変換及び検索を可能とするシステムにおいて、教師なし学習によるクラスタリングと特徴量選択を組み合わせることで、データ間の潜在的な関係性を抽出することを特徴とするマルチモーダルデータ分析システム。
・アイデアの特徴
①複数のセンサからの時系列データとテキストデータを入力として受け付ける
②CNNとBi-LSTMを用いて各データモダリティの特徴を抽出する
③正準相関分析により異なるモダリティ間の関連性を学習する
④教師なし学習によるクラスタリングで潜在的なパターンを発見する
⑤時系列データとテキスト間の相互変換・検索機能を提供する
2. 適応型異常検知システム
時系列データの異常検知において、複数の畳み込みニューラルネットワークと長短期記憶ネットワークを階層的に組み合わせ、入力データを特徴空間に符号化し、その特徴表現から予測モデルを構築し、予測値と実測値の差分に基づく損失関数を用いて異常を検出し、検出された異常パターンを自動的にクラスタリングして異常の種類を分類し、システムの状態遷移を考慮した修正アクションを提案することを特徴とする異常検知システム。
・アイデアの特徴
①階層的なCNN-LSTMアーキテクチャによる特徴抽出を行う
②特徴空間での予測モデル構築と異常検知を実施する
③損失関数による異常度の定量化を行う
④異常パターンの自動クラスタリングによる分類を行う
⑤システム状態を考慮した修正アクションを提案する
3. 教師なし質問応答システム
自然言語の質問文に対して、単語の分散表現と畳み込みニューラルネットワークを用いて質問文の意味的特徴を抽出し、事前に構築した質問・回答データベースから類似度の高い質問を検索し、検索された質問群に含まれる名詞の出現頻度分析と回答内容の整合性評価に基づいて信頼度スコアを算出し、最適な回答を選択することを特徴とする質問応答システム。
・アイデアの特徴
①単語の分散表現とCNNによる質問文の特徴抽出を行う
②質問・回答データベースからの類似質問検索を実施する
③名詞の出現頻度分析による回答候補の評価を行う
④回答内容の整合性評価による信頼度算出を行う
⑤信頼度スコアに基づく最適回答の選択を行う
4. 相互作用型強化学習システム
複数のエージェントが存在する環境において、各エージェントの行動方策をマルコフ決定過程に基づく強化学習で個別に最適化し、エージェント間の相互作用を考慮したマルコフゲームにより全体の最適化を図り、両者の学習結果を統合して相互作用を考慮した意思決定ネットワークを構築することを特徴とする相互作用型強化学習システム。
・アイデアの特徴
①各エージェントの個別行動方策の強化学習を実施する
②エージェント間相互作用のマルコフゲームモデル化を行う
③個別学習と相互作用学習の統合を行う
④意思決定ネットワークの構築と最適化を行う
⑤複数エージェントの協調行動の実現を行う
5. 脳機能ネットワーク分析システム
複数施設で取得された脳機能画像データに対して、施設間差を補正するハーモナイゼーション処理を適用し、脳領域間の機能的結合を表す相関行列を算出し、教師あり学習による識別器生成と特徴量選択、及び教師なし学習による多重共クラスタリングを組み合わせることで、疾患特異的な脳機能ネットワークパターンを抽出することを特徴とする脳機能分析システム。
・アイデアの特徴
①複数施設データのハーモナイゼーション処理を実施する
②脳領域間の機能的結合の相関行列を算出する
③教師あり学習による識別器生成と特徴選択を行う
④教師なし学習による多重共クラスタリングを実施する
⑤疾患特異的なネットワークパターンの抽出を行う
6. 電磁波反射パターン学習システム
識別対象物に対する電磁波の反射波スペクトルを電磁界解析シミュレーションにより生成し、対象物の物理パラメータを系統的に変更することで多様な反射パターンを収集し、これらのパターンと対象物の属性情報を教師データとして機械学習モデルを構築し、未知の反射パターンから対象物の属性を推定することを特徴とする物体識別システム。
・アイデアの特徴
①電磁界解析シミュレーションによる反射波データ生成を行う
②物理パラメータの系統的変更による多様なパターン収集を行う
③反射パターンと属性情報の教師データ作成を行う
④機械学習モデルの構築と学習を実施する
⑤未知パターンからの属性推定を行う
7. パーソナライズド行動予測システム
ユーザの行動データを客観的データと主観的データに分類し、深層学習エンジンにより両データの特徴を抽出し、複数ユーザの客観データから共通パターンを学習しつつ、個別ユーザの主観データを用いて個人化された行動予測モデルを構築し、状況に応じた最適な行動提案を行うことを特徴とするパーソナライズド行動予測システム。
・アイデアの特徴
①行動データの客観・主観分類を行う
②深層学習による特徴抽出を実施する
③複数ユーザの共通パターン学習を行う
④個人化された予測モデルの構築を行う
⑤状況適応型の行動提案を行う
8. 統合センサデータ解析システム
複数のセンサから取得される多変量時系列データに対して、畳み込みニューラルネットワークによる特徴抽出と長短期記憶ネットワークによる時系列パターンのモデル化を行い、逆畳み込みニューラルネットワークによる再構成誤差に基づく異常検知と、検出された異常の自動分類及び原因推定を行うことを特徴とするセンサデータ解析システム。
・アイデアの特徴
①多変量時系列データの特徴抽出を行う
②時系列パターンのモデル化を実施する
③再構成誤差による異常検知を行う
④異常の自動分類を実施する
⑤異常の原因推定を行う
9. バイナリコード化時系列分析システム
多変量時系列データを入力として、長短期記憶ネットワークベースのエンコーダ・デコーダ構造により時間的な特徴を抽出し、時系列セグメントをバイナリコードに変換し、クラスタリング損失と敵対的損失を組み合わせた学習により、効率的なデータ表現と異常検知を実現することを特徴とする時系列分析システム。
・アイデアの特徴
①LSTMベースのエンコーダ・デコーダ構造を使用する
②時系列セグメントのバイナリコード化を行う
③クラスタリング損失による学習を実施する
④敵対的損失による学習を行う
⑤効率的なデータ表現と異常検知を実現する
10. クロスモーダル検索最適化システム
時系列データとテキストデータの双方を扱うクロスモーダル検索において、単語重複に基づくスペクトルクラスタリングにより疑似ラベルを生成し、これを用いた損失関数により時系列符号器とテキスト符号器を共同訓練し、異なるモダリティ間の検索精度を向上させることを特徴とする検索システム。
・アイデアの特徴
①単語重複ベースのスペクトルクラスタリングを実施する
②疑似ラベルの生成を行う
③時系列符号器とテキスト符号器の共同訓練を行う
④モダリティ間の類似性評価を実施する
⑤異なるモダリティ間の検索を実現する
AIを使って、アイデアに関連する特許を抽出
以下のアイデアに関連する特許公報を8件抽出して報告いたします。
・アイデア（調査観点、請求項案）
時系列データの異常検知において、複数の畳み込みニューラルネットワークと長短期記憶ネットワークを階層的に組み合わせ、入力データを特徴空間に符号化し、その特徴表現から予測モデルを構築し、予測値と実測値の差分に基づく損失関数を用いて異常を検出し、検出された異常パターンを自動的にクラスタリングして異常の種類を分類し、システムの状態遷移を考慮した修正アクションを提案することを特徴とする異常検知システム。
■技術的特徴
上記のアイデアの技術的特徴は以下の通りです。
①複数の畳み込みニューラルネットワークと長短期記憶ネットワークを階層的に組み合わせている
②入力データを特徴空間に符号化し、その特徴表現から予測モデルを構築する
③予測値と実測値の差分に基づく損失関数を用いて異常を検出する
④検出された異常パターンを自動的にクラスタリングして異常の種類を分類する
⑤システムの状態遷移を考慮した修正アクションを提案する
1.関連公報の抽出結果
上記のアイデアに関連する公報を8件、抽出しました。
- JP2021527906 (2019-08-26) エヌイーシー ラボラトリーズ アメリカ インク, 多変量時系列データの教師無し異常検知、診断及び修正
- JP2022543798 (2020-08-27) エヌイーシー ラボラトリーズ アメリカ インク, 深層教師なしバイナリコード化ネットワークを実装するコンピュータシステムの状態の監視
- JP2023524825 (2021-04-28) エヌイーシー ラボラトリーズ アメリカ インク, サイバーフィジカルシステムの障害検出
- JP2023131139 (2023-03-07) 日本電気株式会社, データ処理方法及び電子機器
- JP2022544047 (2020-08-19) エヌイーシー ラボラトリーズ アメリカ インク, 深層CCA及び能動ペアワイズクエリを用いるマルチモーダル検索及びクラスタリングのための方法
- JP2022544019 (2020-07-02) エヌイーシー ラボラトリーズ アメリカ インク, 単語重複ベースのクラスタリングクロスモーダル検索
- JP2021135775 (2020-02-27) 株式会社明電舎, 場予測装置装置の学習方法
- JP2022122269 (2022-02-04) 日本電気株式会社, データ処理の方法、ニューラルネットワークの学習方法及びデバイス
2.特徴別の該否結果
上記で抽出した特許公報8件について、アイデアの特徴5点に関する該否結果をまとめました。
※評価基準：〇（特徴の要件を全て含む）、△（特徴の要件を一部含む）、×（特徴の要件を一つも含まない）
| 公報番号(出願人) | 類似度(%) | ① | ② | ③ | ④ | ⑤ |
|---|---|---|---|---|---|---|
| JP2021527906(NEC Labs) | 95% | 〇 | 〇 | 〇 | 〇 | 〇 |
| JP2022543798(NEC Labs) | 85% | △ | 〇 | 〇 | 〇 | △ |
| JP2023524825(NEC Labs) | 80% | △ | 〇 | 〇 | 〇 | × |
| JP2023131139(NEC) | 75% | × | 〇 | 〇 | △ | △ |
| JP2022544047(NEC Labs) | 70% | △ | 〇 | × | 〇 | × |
| JP2022544019(NEC Labs) | 65% | × | 〇 | × | 〇 | × |
| JP2021135775(明電舎) | 60% | × | 〇 | 〇 | × | × |
| JP2022122269(NEC) | 55% | × | 〇 | 〇 | × | × |
3.抽出公報の詳細レビュー
類似度の高い抽出公報3件について、より詳細な評価結果をまとめました。
■1件目：類似度 95%
- 公開番号: JP2021527906
- 出願日: 2019-08-26
- 公開日: 2021-10-14
- 出願人: エヌイーシー ラボラトリーズ アメリカ インク
- 名称：多変量時系列データの教師無し異常検知、診断及び修正
- 結果：類似度95%、①〇、②〇、③〇、④〇、⑤〇
- 要点：(産業分野)異常検知システム (課題)時系列データからの異常検知と修正 (解決手段)畳み込みニューラルネットワークと長短期記憶ネットワークを組み合わせて時系列パターンをモデル化し、損失関数による異常検知と修正動作の実行 (効果・特徴)複数のニューラルネットワークの階層的な組み合わせにより、高精度な異常検知と自動修正を実現
- 公報リンク(GooglePatents): https://patents.google.com/patent/JP2021527906A
〇特徴別の該否結果と判定理由
①複数のニューラルネットワークの階層的組み合わせ：〇
※判定理由：畳み込みニューラルネットワークと長短期記憶ネットワークを階層的に組み合わせて使用する記載あり
②特徴空間への符号化：〇
※判定理由：時系列データを畳み込みニューラルネットワークで符号化する記載あり
③損失関数による異常検知：〇
※判定理由：復号されたシグネチャ行列とオリジナルのシグネチャ行列の差に基づく損失関数で異常を判定する記載あり
④異常パターンのクラスタリング：〇
※判定理由：異常パターンを分類・クラスタリングする機能の記載あり
⑤修正アクションの提案：〇
※判定理由：異常検知に応じて修正動作を実行する記載あり
■2件目：類似度 85%
- 公開番号: JP2022543798
- 出願日: 2020-08-27
- 公開日: 2022-10-14
- 出願人: エヌイーシー ラボラトリーズ アメリカ インク
- 名称：深層教師なしバイナリコード化ネットワークを実装するコンピュータシステムの状態の監視
- 結果：類似度85%、①△、②〇、③〇、④〇、⑤△
- 要点：(産業分野)システム状態監視 (課題)多変量時系列データからのシステム状態の効率的な監視 (解決手段)LSTMエンコーダデコーダフレームワークを用いて時系列データをバイナリコード化し、パターン分析によって状態判定を行う (効果・特徴)時間情報を考慮した効率的なシステム状態監視を実現
- 公報リンク(GooglePatents): https://patents.google.com/patent/JP2022543798A
〇特徴別の該否結果と判定理由
①複数のニューラルネットワークの階層的組み合わせ：△
※判定理由：LSTMエンコーダデコーダの使用は記載されているが、畳み込みニューラルネットワークとの組み合わせの記載なし
②特徴空間への符号化：〇
※判定理由：時系列データを特徴ベクトルに変換してバイナリコード化する記載あり
③損失関数による異常検知：〇
※判定理由：クラスタリング損失と敵対的損失を用いた状態判定の記載あり
④異常パターンのクラスタリング：〇
※判定理由：類似パターン分析によるクラスタリングの記載あり
⑤修正アクションの提案：△
※判定理由：状態判定は行うが、具体的な修正アクションの提案に関する記載なし
■3件目：類似度 80%
- 公開番号: JP2023524825
- 出願日: 2021-04-28
- 公開日: 2023-06-13
- 出願人: エヌイーシー ラボラトリーズ アメリカ インク
- 名称：サイバーフィジカルシステムの障害検出
- 結果：類似度80%、①△、②〇、③〇、④〇、⑤×
- 要点：(産業分野)障害検知システム (課題)システムの障害状態の効率的な検出 (解決手段)正常状態と障害状態の訓練データを用いてニューラルネットワークモデルを訓練し、障害スコアと異常スコアに基づいて状態を判定 (効果・特徴)データ特徴とセンサ相関グラフ情報を活用した高精度な障害検出を実現
- 公報リンク(GooglePatents): https://patents.google.com/patent/JP2023524825A
〇特徴別の該否結果と判定理由
①複数のニューラルネットワークの階層的組み合わせ：△
※判定理由：ニューラルネットワークモデルの使用は記載されているが、具体的な階層構造の記載なし
②特徴空間への符号化：〇
※判定理由：データ特徴とセンサ相関グラフ情報を用いた特徴抽出の記載あり
③損失関数による異常検知：〇
※判定理由：障害スコアと異常スコアを用いた状態判定の記載あり
④異常パターンのクラスタリング：〇
※判定理由：障害状態の分類とクラスタリングの記載あり
⑤修正アクションの提案：×
※判定理由：障害検出後の修正アクションに関する記載なし
4.総括（考察・コメント）
ユーザーが入力したアイデア（調査観点、請求項案）と抽出した公報を比較すると、以下のような考察ができます：
1.産業分野の比較：
・アイデアと抽出公報は、いずれも時系列データの異常検知・システム監視分野に関する技術である
・特にNEC Labsの公報群は、深層学習を用いた異常検知に焦点を当てている
・明電舎やNECの公報は、より一般的な機械学習・予測モデルの応用を扱っている
2.課題の比較：
・抽出公報の多くは、個別の異常検知手法や特定のユースケースに焦点を当てている
・アイデアは、異常検知から修正アクションまでを一貫して扱う統合的なシステムを提案している点で、より包括的である
・特に修正アクションの提案について、JP2021527906以外の公報では十分な記載がない
3.解決手段の比較：
・畳み込みニューラルネットワークと長短期記憶ネットワークの組み合わせについて、JP2021527906が最も類似している
・他の公報は、個別のニューラルネットワーク技術や異なる機械学習アプローチを採用している
・アイデアは、複数のネットワークの階層的な組み合わせとクラスタリングを特徴としており、より洗練された手法を提案している
新規性や進歩性に関する意見やアドバイスを得るためには、弁理士などの専門家に相談することをお勧めします。
AIを使って、アイデアと抽出公報を対比（詳細評価）
アイデアの特徴①②③④⑤と抽出公報を対比、評価しました。
以下の通り、ご報告いたします。
・アイデアの特徴
①複数の畳み込みニューラルネットワークと長短期記憶ネットワークを階層的に組み合わせている
②入力データを特徴空間に符号化し、その特徴表現から予測モデルを構築する
③予測値と実測値の差分に基づく損失関数を用いて異常を検出する
④検出された異常パターンを自動的にクラスタリングして異常の種類を分類する
⑤システムの状態遷移を考慮した修正アクションを提案する
・抽出公報
公報番号：JP2021527906（出願日：2019-08-26、公開日：2021-10-14、出願人：エヌイーシー ラボラトリーズ アメリカ インク、名称：多変量時系列データの教師無し異常検知、診断及び修正）
・該否結果
※評価基準：〇（特徴の要件を全て含む）、△（特徴の要件を一部含む）、×（特徴の要件を一つも含まない）
| 公報番号(出願人) | 類似度 (%) | ① | ② | ③ | ④ | ⑤ |
|---|---|---|---|---|---|---|
| JP2021527906(NEC) | 80% | 〇 | 〇 | 〇 | × | 〇 |
特徴①と抽出公報との比較
・該否結果：〇
・特徴①に対応する箇所と内容：
【請求項1】
「複数の畳み込みニューラルネットワークを用いて前記オリジナルのシグネチャ行列を符号化する（２０４）ことと、複数の畳み込みニューラルネットワーク毎に、複数の畳み込み長短期記憶（long-short term memory：ＬＳＴＭ）ニューラルネットワークを用いて前記符号化されたシグネチャ行列における時系列パターンをモデル化する（２０６）ことと」
・補足：
特徴①は「複数の畳み込みニューラルネットワークと長短期記憶ネットワークを階層的に組み合わせる」ことを特徴としており、抽出公報でも同様の構成が開示されています。
特徴②と抽出公報との比較
・該否結果：〇
・特徴②に対応する箇所：
【請求項1】
「複数の時系列のシステムの状態を示すオリジナルのシグネチャ行列を生成する（２０２）ことと、複数の畳み込みニューラルネットワークを用いて前記オリジナルのシグネチャ行列を符号化する（２０４）ことと」
・補足：
特徴②は入力データの特徴空間への符号化と予測モデル構築を特徴としており、抽出公報でもシグネチャ行列の生成と符号化という形で同様の技術が開示されています。
特徴③と抽出公報との比較
・該否結果：〇
・特徴③に対応する箇所：
【請求項1】
「前記復号されたシグネチャ行列と前記オリジナルのシグネチャ行列との間の差に基づいて損失関数を用いて異常の発生を判定する（２１２）ことと」
・補足：
特徴③は予測値と実測値の差分による損失関数を用いた異常検出を特徴としており、抽出公報でも同様の手法が開示されています。
特徴④と抽出公報との比較
・該否結果：×
・特徴④に対応する箇所：
関連する記載無し
・補足：
特徴④は検出された異常パターンの自動クラスタリングによる分類を特徴としていますが、抽出公報には異常パターンのクラスタリングや分類に関する記載は見当たりません。
特徴⑤と抽出公報との比較
・該否結果：〇
・特徴⑤に対応する箇所：
【請求項1】
「前記異常の発生の判定に応答して修正動作を実行する（２１６）ことと」
・補足：
特徴⑤はシステムの状態遷移を考慮した修正アクションの提案を特徴としており、抽出公報でも異常検出後の修正動作の実行が開示されています。
総括（アイデアと抽出公報の比較）
産業分野の比較：両者とも機械学習を用いた異常検知システムの分野に属しており、特に時系列データの解析と異常検知という点で共通しています。複数のニューラルネットワークを組み合わせた高度な分析手法を採用している点でも一致しています。
課題の比較：抽出公報は多変量時系列データにおける教師なし異常検知という課題に焦点を当てており、システムの状態を示すシグネチャ行列を用いた異常検知手法を提案しています。一方、アイデアはより広範な異常検知と、検出された異常の分類まで含めた包括的なアプローチを提案しています。
解決手段の比較：両者とも畳み込みニューラルネットワークとLSTMを組み合わせた階層的なアプローチを採用し、損失関数を用いた異常検知を行っている点で類似しています。しかし、アイデアは異常パターンの自動クラスタリングという独自の特徴を持っており、この点で抽出公報とは異なるアプローチを採用しています。
AIを使って、アイデアと抽出公報を対比（対比表作成）
以下は、アイデアの特徴と抽出公報に関して対比表にまとめたものです：
アイデアの特徴と抽出公報との対比表
| 特徴 | 記載箇所 | 記載内容（抽出公報から転記） | 一致点 | 相違点 | 類似度 |
|---|---|---|---|---|---|
| ①：複数の畳み込みニューラルネットワークと長短期記憶ネットワークを階層的に組み合わせる | 【請求項1】 | 複数の畳み込みニューラルネットワークを用いて前記オリジナルのシグネチャ行列を符号化する（２０４）ことと、複数の畳み込みニューラルネットワーク毎に、複数の畳み込み長短期記憶（ＬＳＴＭ）ニューラルネットワークを用いて前記符号化されたシグネチャ行列における時系列パターンをモデル化する（２０６）ことと | ニューラルネットワークの階層的構成が一致 | 特になし | 高い |
| ②：入力データを特徴空間に符号化し、その特徴表現から予測モデルを構築する | 【請求項1】 | 複数の時系列のシステムの状態を示すオリジナルのシグネチャ行列を生成する（２０２）ことと、複数の畳み込みニューラルネットワークを用いて前記オリジナルのシグネチャ行列を符号化する（２０４）ことと | データの符号化と予測モデル構築のプロセス | 特になし | 高い |
| ③：予測値と実測値の差分に基づく損失関数を用いて異常を検出する | 【請求項1】 | 前記復号されたシグネチャ行列と前記オリジナルのシグネチャ行列との間の差に基づいて損失関数を用いて異常の発生を判定する（２１２）ことと | 損失関数を用いた異常検出手法 | 特になし | 高い |
| ④：検出された異常パターンを自動的にクラスタリングして異常の種類を分類する | - | 関連する記載なし | なし | 異常パターンのクラスタリングと分類機能の有無 | なし |
| ⑤：システムの状態遷移を考慮した修正アクションを提案する | 【請求項1】 | 前記異常の発生の判定に応答して修正動作を実行する（２１６）ことと | 異常検出後の修正アクション実行 | 状態遷移の考慮に関する具体的記載の有無 | 中程度 |
■総括（考察、コメント）
- 基本構成：両者とも深層学習を用いた異常検知システムを提案しており、基本的なアーキテクチャは非常に類似しています。特に、畳み込みニューラルネットワークとLSTMを組み合わせた階層的構造は完全に一致しています。
- データ処理手法：両者とも入力データを特徴空間に符号化し、その特徴表現から予測モデルを構築するアプローチを採用しています。シグネチャ行列の生成と符号化というプロセスは、効率的なデータ処理を実現する上で重要な要素となっています。
- 異常検知メカニズム：損失関数を用いた異常検知という基本的なアプローチは共通していますが、抽出公報には異常パターンのクラスタリングや分類に関する具体的な記載がありません。これは重要な相違点となっています。
- 修正アクション：両者とも異常検出後の修正アクションを含んでいますが、抽出公報ではシステムの状態遷移を考慮した具体的なアプローチについての記載が限定的です。
- 技術的な独自性：アイデアは異常パターンの自動クラスタリングという独自の機能を追加しており、これにより異常の種類をより詳細に分析できる可能性があります。この点は、本アイデアの重要な技術的優位性となっています。
総じて、基本的なアーキテクチャと異常検知の手法については高い類似性が見られますが、異常パターンの分類と修正アクションの具体的なアプローチにおいて、本アイデアは独自の特徴を持っています。
AIを使って、アイデアと類似する特許の出願動向分析
本テーマに関連する特許出願について、出願年,出願人等の観点で分析しました。
1-1. 出願年別の傾向分析:
| 出願年 | 件数 | 主な技術トレンド |
|---|---|---|
| 2015年 | 3件 | 脳活動解析、対話インターフェース |
| 2016年 | 4件 | 学習支援システム、画像解析、構造解析 |
| 2017年 | 1件 | 脳活動解析システム |
| 2018年 | 5件 | ニューラルネットワーク、探索システム、機械学習 |
| 2019年 | 7件 | データ処理、電磁界シミュレーション、因果関係分析 |
| 2020年 | 12件 | 自然言語処理、時系列データ解析、異常検知 |
| 2021年 | 8件 | 画像処理、消耗状態学習、サービス提供 |
| 2022年 | 7件 | 深層学習、予測モデル、分類システム |
| 2023年 | 4件 | 異常検知、データ処理、学習支援 |
・補足説明
2018年以降、出願件数が増加傾向にあり、特に2020年がピークとなっています。技術トレンドとしては、初期の脳活動解析や基礎的な機械学習から、より高度な自然言語処理や時系列データ解析へと発展しています。また、近年は実用的なアプリケーションとして異常検知や予測モデルの開発が増加しており、産業応用への展開が進んでいることが分かります。
1-2. 主要出願人別の技術領域:
| 出願人 | 件数 | 主な技術領域 |
|---|---|---|
| NEC/NECラボラトリーズ | 15件 | 時系列データ解析、画像認識、異常検知 |
| 富士通 | 8件 | データ処理、モデル最適化、電磁界シミュレーション |
| フューチャーアイ | 7件 | 学習支援システム、対話システム |
| 国際電気通信基礎技術研究所 | 6件 | 脳活動解析、シミュレーション |
| 日本電気 | 5件 | データ処理、異常検知、画像処理 |
| 日立/日立製作所 | 4件 | 機器修理管理、処理条件探索 |
| その他 | 55件 | 多岐にわたる応用技術 |
・補足説明
NECグループが最も多くの特許を出願しており、特に時系列データ解析や画像認識の分野で強みを持っています。富士通はモデル最適化や電磁界シミュレーションなど、より専門的な技術領域に注力しています。また、フューチャーアイは学習支援や対話システムなど、より実用的なアプリケーション開発に焦点を当てています。全体として、大手IT企業が技術開発を牽引している状況が見てとれます。
1-3. 技術分野別の分類:
| 技術分野 | 件数 | 主な特徴 |
|---|---|---|
| データ処理・解析 | 25件 | 時系列解析、異常検知、因果関係分析 |
| 機械学習基盤 | 20件 | モデル最適化、損失関数、学習アルゴリズム |
| 画像・映像処理 | 15件 | 物体検出、セグメンテーション、3D解析 |
| 自然言語処理 | 10件 | 対話システム、質問応答、テキスト分析 |
| シミュレーション | 8件 | 電磁界解析、構造解析、プラズマ処理 |
| 脳科学応用 | 7件 | 脳活動解析、機能連結性解析 |
| システム制御 | 15件 | 予測制御、異常診断、最適化制御 |
・補足説明
データ処理・解析分野が最も多く、次いで機械学習基盤技術の開発が盛んです。画像・映像処理も重要な技術分野となっており、特に3D解析や物体検出の研究が進んでいます。また、シミュレーションや脳科学応用など、専門性の高い分野でも着実に技術開発が進められています。全体として、基礎研究から応用開発まで幅広い技術分野をカバーしています。
1-4. 技術課題別の分類:
| 技術課題 | 件数 | 主なアプローチ |
|---|---|---|
| 精度向上 | 30件 | モデル最適化、特徴量設計、損失関数改良 |
| 処理効率化 | 25件 | アルゴリズム改良、並列処理、軽量化 |
| 汎用性向上 | 20件 | 転移学習、マルチタスク学習、ドメイン適応 |
| リアルタイム性 | 15件 | 高速化、ストリーム処理、オンライン学習 |
| 解釈性向上 | 10件 | 可視化、説明可能AI、因果推論 |
・補足説明
精度向上が最も重要な技術課題となっており、モデル最適化や特徴量設計の改良が積極的に行われています。次いで処理効率化も重要視されており、特にリアルタイム処理のニーズが高まっています。また、近年は解釈性向上への取り組みも増加しており、AIの判断根拠を説明可能にする技術開発が進められています。
1-5. 総括
本分析対象の特許群からは、機械学習・AI技術の実用化に向けた取り組みが着実に進展していることが見て取れます。特に2018年以降、出願件数が増加傾向にあり、技術的にも基礎研究から実用化研究へとシフトしています。主要な出願人としては大手IT企業が中心となっており、データ処理・解析、機械学習基盤、画像処理など幅広い技術分野での開発が進められています。技術課題としては精度向上や処理効率化に加え、近年は説明可能性や汎用性の向上にも注目が集まっています。今後は、これらの技術を活用した実用的なアプリケーションの開発がさらに加速することが予想されます。
特許出願の内容を出願年,出願人の観点から分析しました。
2-1. 技術分野による分類
| 技術分野 | 特徴的な出願内容 | 件数 |
|---|---|---|
| 自然言語処理 | 質問応答、文書処理、機械翻訳 | 8件 |
| 機械学習基盤 | 損失関数最適化、モデル学習手法、クラスタリング | 25件 |
| 画像認識/CV | 物体検出、セグメンテーション、深度推定 | 12件 |
| 時系列分析 | 異常検知、予測、系列データ処理 | 15件 |
| ロボティクス/制御 | 動作制御、マニピュレーション | 5件 |
| 生体情報処理 | 脳活動解析、医用画像処理 | 7件 |
| セキュリティ | データ保護、異常検知 | 3件 |
補足説明：技術分野の分析から、機械学習の基盤技術に関する特許が最も多く、次いで時系列データ分析や画像認識分野の特許が多いことが分かります。特に損失関数の最適化やクラスタリング手法など、機械学習の根幹をなす技術への注力が見られます。また、自然言語処理や生体情報処理など、より応用的な分野でも着実な技術開発が行われています。
2-2. 産業分野による分類
| 産業分野 | 応用例 | 該当特許数 |
|---|---|---|
| IT/ソフトウェア | 機械学習基盤、自然言語処理、画像認識 | 35件 |
| 製造/工業 | 異常検知、品質管理、設備保全 | 18件 |
| 医療/ヘルスケア | 脳機能解析、健康管理 | 10件 |
| 自動車/運輸 | 自動運転支援、交通解析 | 8件 |
| 教育 | 学習支援システム、個別最適化 | 6件 |
| セキュリティ | データ保護、システム監視 | 5件 |
補足説明：産業分野別では、IT/ソフトウェア分野が最も多く、基盤技術の開発が活発に行われています。製造業での応用も目立ち、特に異常検知や品質管理などの実用的な技術開発が進んでいます。また、医療分野での応用も増加傾向にあり、特に脳機能解析や健康管理システムの開発が注目されています。
2-3. 製品分野による分類
| 製品分野 | 具体例 | 件数 |
|---|---|---|
| ソフトウェアシステム | 機械学習フレームワーク、分析ツール | 30件 |
| 組込みシステム | センサー制御、リアルタイム処理 | 15件 |
| プラットフォーム | 学習基盤、データ処理基盤 | 12件 |
| 分析/監視システム | 異常検知、予測システム | 25件 |
| アプリケーション | 特定用途向けソリューション | 18件 |
補足説明：製品分野では、機械学習フレームワークや分析ツールなどのソフトウェアシステムが主流を占めています。また、異常検知や予測を行う分析/監視システムの開発も活発です。組込みシステムやプラットフォームなど、より基盤的な製品開発も着実に進められています。
2-4. 技術背景による分類
| 技術背景 | 内容 | 関連特許数 |
|---|---|---|
| 計算効率向上 | 処理の高速化、リソース最適化 | 28件 |
| 精度向上 | モデル性能改善、予測精度向上 | 25件 |
| 自動化要求 | 作業自動化、省人化 | 15件 |
| リアルタイム処理 | 即時性、応答性の向上 | 12件 |
| セキュリティ要求 | データ保護、プライバシー確保 | 8件 |
補足説明：技術背景としては、計算効率の向上や精度向上に関する要求が多く見られます。特に、限られたリソースでの処理効率化や、予測・分析の精度向上が重要視されています。また、自動化やリアルタイム処理の要求も増加傾向にあり、より実用的なシステムの開発が進められています。
2-5. 用途による分類
| 用途 | 具体例 | 件数 |
|---|---|---|
| 予測・診断 | 異常予測、故障診断、健康診断 | 30件 |
| 自動化支援 | 作業自動化、意思決定支援 | 25件 |
| データ分析 | パターン発見、傾向分析 | 20件 |
| 最適化 | システム制御、リソース最適化 | 15件 |
| 監視・検査 | 品質管理、システム監視 | 10件 |
補足説明：用途面では、予測・診断に関する応用が最も多く、特に異常検知や故障診断などの実用的な用途が目立ちます。また、作業の自動化支援やデータ分析など、業務効率化に寄与する用途も多く見られます。システムの最適化や監視・検査など、より高度な制御や管理を目的とした応用も増加傾向にあります。
2-6. 課題による分類
| 課題 | 具体的内容 | 件数 |
|---|---|---|
| 処理効率 | 計算コスト削減、高速化 | 35件 |
| 精度向上 | 予測精度、認識精度の改善 | 30件 |
| リソース最適化 | メモリ使用量、計算量の削減 | 20件 |
| リアルタイム性 | 即時処理、応答性向上 | 15件 |
| データ品質 | ノイズ対策、データ信頼性 | 10件 |
補足説明：処理効率の向上と精度向上が主要な課題として挙げられています。特に、計算コストの削減や処理の高速化、予測・認識精度の改善に関する課題が多く見られます。また、限られたリソースでの効率的な処理や、リアルタイム性の確保なども重要な課題として認識されています。
2-7. 解決手段による分類
| 解決手段 | アプローチ | 件数 |
|---|---|---|
| アルゴリズム改善 | 新規学習手法、最適化手法 | 35件 |
| モデル構造最適化 | ネットワーク構造、パラメータ調整 | 25件 |
| データ処理改善 | 前処理、特徴抽出手法 | 20件 |
| システム構成最適化 | アーキテクチャ設計、分散処理 | 15件 |
| 学習方式改善 | 転移学習、マルチタスク学習 | 15件 |
補足説明：解決手段としては、新しい学習手法や最適化手法の開発が主流となっています。また、モデル構造の最適化やデータ処理手法の改善など、より効率的な処理を実現するためのアプローチも多く見られます。システム全体の最適化や、より効果的な学習方式の採用なども重要な解決手段として挙げられています。
2-8. 効果による分類
| 効果 | 具体的な改善点 | 件数 |
|---|---|---|
| 性能向上 | 予測精度向上、処理速度改善 | 40件 |
| 効率化 | リソース使用量削減、コスト低減 | 30件 |
| 自動化促進 | 作業効率化、人的負担軽減 | 20件 |
| 品質向上 | 信頼性向上、安定性改善 | 15件 |
| 適用範囲拡大 | 汎用性向上、応用可能性拡大 | 10件 |
補足説明：効果としては、予測精度や処理速度の向上など、システムの性能向上に関する成果が最も多く報告されています。また、リソース使用量の削減やコスト低減などの効率化効果も大きな割合を占めています。作業の自動化促進や品質向上、適用範囲の拡大など、より実用的な効果も多く見られます。
2-9. 総括
この特許分析からは、機械学習技術の研究開発が基盤技術から応用分野まで幅広く進められていることが分かります。特に注目すべき点として、処理効率と精度向上の両立を目指す研究が多く、限られたリソースでより高度な処理を実現しようとする傾向が強く見られます。また、自然言語処理や画像認識、時系列分析など、様々な技術分野での実用化が進んでおり、特に製造業や医療分野での応用が活発化しています。さらに、リアルタイム性の確保やシステムの安定性向上など、実用化に向けた課題解決も着実に進められています。今後は、より効率的な学習手法の開発や、応用分野の更なる拡大が期待されます。
AIを使って、アイデアと類似する技術カテゴリ抽出
本テーマに関連する特許について、技術要素等をカテゴライズしました。
| 大カテゴリ | 中カテゴリ | 小カテゴリ | 説明 |
|---|---|---|---|
| 1. 自然言語処理 | 1.1 質問応答 | 1.1.1 質問文分析 | 自然言語の質問文を解析して意図を理解する技術 |
| 1.1.2 回答生成 | 質問に対する適切な回答を生成する技術 | ||
| 1.1.3 信頼度評価 | 回答の確からしさを評価する技術 | ||
| 1.2 教師データ生成 | 1.2.1 コーパス構築 | 学習用の文書データベースを構築する技術 | |
| 1.2.2 専門性評価 | データの専門性を評価して分類する技術 | ||
| 1.2.3 データクレンジング | 学習データのノイズを除去する技術 | ||
| 1.3 モデル最適化 | 1.3.1 パラメータ調整 | 学習モデルのパラメータを最適化する技術 | |
| 1.3.2 精度向上 | モデルの予測精度を向上させる技術 | ||
| 1.3.3 汎化性能向上 | 未知データへの対応力を高める技術 | ||
| 2. 画像認識 | 2.1 特徴抽出 | 2.1.1 パターン認識 | 画像からパターンを抽出する技術 |
| 2.1.2 セグメンテーション | 画像を領域分割する技術 | ||
| 2.1.3 特徴量計算 | 画像の特徴を数値化する技術 | ||
| 2.2 物体検出 | 2.2.1 オブジェクト識別 | 画像中の物体を識別する技術 | |
| 2.2.2 位置推定 | 物体の位置を特定する技術 | ||
| 2.2.3 追跡処理 | 物体の動きを追跡する技術 | ||
| 2.3 画質改善 | 2.3.1 ノイズ除去 | 画像のノイズを除去する技術 | |
| 2.3.2 解像度向上 | 画像の解像度を向上させる技術 | ||
| 2.3.3 歪み補正 | レンズ歪みなどを補正する技術 | ||
| 3. 時系列解析 | 3.1 予測分析 | 3.1.1 傾向分析 | データの時間的変化を分析する技術 |
| 3.1.2 異常検知 | 異常なパターンを検出する技術 | ||
| 3.1.3 予測モデル構築 | 将来予測のモデルを構築する技術 | ||
| 3.2 パターン抽出 | 3.2.1 周期性分析 | データの周期パターンを抽出する技術 | |
| 3.2.2 相関分析 | 変数間の相関関係を分析する技術 | ||
| 3.2.3 特徴抽出 | 時系列データから特徴を抽出する技術 | ||
| 3.3 データ前処理 | 3.3.1 正規化 | データを正規化する技術 | |
| 3.3.2 欠損値処理 | 欠損データを補完する技術 | ||
| 3.3.3 ノイズ除去 | 時系列データのノイズを除去する技術 | ||
| 4. 学習最適化 | 4.1 モデル選択 | 4.1.1 アーキテクチャ設計 | ニューラルネットワークの構造を設計する技術 |
| 4.1.2 ハイパーパラメータ調整 | 学習パラメータを最適化する技術 | ||
| 4.1.3 モデル評価 | 学習モデルの性能を評価する技術 | ||
| 4.2 学習制御 | 4.2.1 学習率制御 | 学習の速度を制御する技術 | |
| 4.2.2 過学習防止 | 過学習を防止する技術 | ||
| 4.2.3 収束判定 | 学習の収束を判定する技術 | ||
| 4.3 転移学習 | 4.3.1 知識転移 | 学習済みモデルの知識を転移する技術 | |
| 4.3.2 ドメイン適応 | 異なるドメインに適応させる技術 | ||
| 4.3.3 モデル更新 | 既存モデルを更新する技術 | ||
| 5. データ管理 | 5.1 データ収集 | 5.1.1 センサーデータ収集 | センサーからデータを収集する技術 |
| 5.1.2 外部データ統合 | 外部データを統合する技術 | ||
| 5.1.3 データ品質管理 | データの品質を管理する技術 | ||
| 5.2 データ変換 | 5.2.1 特徴エンジニアリング | 特徴量を生成・選択する技術 | |
| 5.2.2 次元圧縮 | データの次元を削減する技術 | ||
| 5.2.3 形式変換 | データ形式を変換する技術 | ||
| 5.3 データ保護 | 5.3.1 セキュリティ管理 | データのセキュリティを管理する技術 | |
| 5.3.2 プライバシー保護 | 個人情報を保護する技術 | ||
| 5.3.3 アクセス制御 | データへのアクセスを制御する技術 | ||
| 6. システム制御 | 6.1 異常検知 | 6.1.1 状態監視 | システムの状態を監視する技術 |
| 6.1.2 故障予測 | 故障を予測する技術 | ||
| 6.1.3 診断分析 | 異常の原因を分析する技術 | ||
| 6.2 制御最適化 | 6.2.1 制御パラメータ調整 | 制御パラメータを最適化する技術 | |
| 6.2.2 フィードバック制御 | フィードバックに基づく制御技術 | ||
| 6.2.3 適応制御 | 環境変化に適応する制御技術 | ||
| 6.3 性能評価 | 6.3.1 効率分析 | システムの効率を分析する技術 | |
| 6.3.2 品質評価 | 制御の品質を評価する技術 | ||
| 6.3.3 信頼性評価 | システムの信頼性を評価する技術 | ||
| 7. 知識処理 | 7.1 知識表現 | 7.1.1 オントロジー構築 | 知識体系を構築する技術 |
| 7.1.2 ルール管理 | 知識のルールを管理する技術 | ||
| 7.1.3 関係抽出 | 知識間の関係を抽出する技術 | ||
| 7.2 推論処理 | 7.2.1 論理推論 | 論理的な推論を行う技術 | |
| 7.2.2 確率推論 | 確率的な推論を行う技術 | ||
| 7.2.3 因果推論 | 因果関係に基づく推論技術 | ||
| 7.3 知識更新 | 7.3.1 知識獲得 | 新しい知識を獲得する技術 | |
| 7.3.2 知識統合 | 複数の知識を統合する技術 | ||
| 7.3.3 一貫性維持 | 知識の一貫性を維持する技術 | ||
| 8. インタラクション | 8.1 対話処理 | 8.1.1 文脈理解 | 対話の文脈を理解する技術 |
| 8.1.2 応答生成 | 適切な応答を生成する技術 | ||
| 8.1.3 対話管理 | 対話の流れを管理する技術 | ||
| 8.2 ユーザ適応 | 8.2.1 ユーザモデル構築 | ユーザの特性をモデル化する技術 | |
| 8.2.2 パーソナライズ化 | サービスを個別化する技術 | ||
| 8.2.3 ユーザ支援 | ユーザを支援する技術 | ||
| 8.3 マルチモーダル | 8.3.1 モーダル統合 | 複数の入力を統合する技術 | |
| 8.3.2 同期処理 | 異なるモーダルを同期する技術 | ||
| 8.3.3 相互補完 | モーダル間で補完する技術 |
\
AI特許調査
お問い合わせください
/
特許調査にAIを活用した新しい手法をご紹介しています。
自然言語処理や機械学習による効率的な文献探索、技術動向分析など、
具体的な活用方法について、ご不明な点やより詳しい情報が必要な際は、
お気軽にお問い合わせください。専門スタッフが丁寧にご説明いたします。
