Patent license prediction using deep survival analysis: A comparative study.

چکیده اصلی

OBJECTIVE: We evaluate deep survival analysis frameworks for patent licensing prediction, systematically comparing cure rate models against standard approaches and quantifying the benefit of temporal modeling over static classification to address unresolved methodological questions following recent applications of neural survival models to patent contexts. METHODS: We conducted experimental validation on 624,129 United States Patent and Trademark Office (USPTO) patents (2016-2017), comparing classical Cox regression, deep neural network baseline, DeepSurv (neural Cox proportional hazards), and Cox cure rate models. Performance was evaluated using Recall@K metrics across 1-year, 3-year, and 5-year prediction horizons, with statistical significance assessed through patent-level bootstrap resampling (B = 1,000). RESULTS: All deep learning approaches achieve high performance (Recall@10% 89.8-91.9%), substantially outperforming classical Cox regression (70.6-72.3%). Among neural architectures, DeepSurv-a standard neural Cox proportional hazards model-offers the optimal balance of simplicity and performance. More complex cure rate extensions provided no clear additional benefit over standard DeepSurv within the scope of this study: although bootstrap resampling detected a small but statistically significant difference (0.70 percentage points), this gap is practically negligible for patent screening, suggesting that explicit population heterogeneity modeling offers limited practical gains when deep feature learning is employed. Survival modeling provides statistically detectable but modest gains over static binary classification (Recall@10% differences of 0.5-1.6 percentage points), indicating that the primary value stems from capturing complex patent characteristics rather than explicit temporal modeling. CONCLUSION: This study provides, to the best of our knowledge, the first systematic evaluation of cure rate models and temporal modeling benefits for patent licensing prediction, demonstrating that architectural simplicity (DeepSurv) achieves near-optimal performance (Recall@10% 91%) when deep feature learning is prioritized. The findings offer actionable guidance for patent portfolio management: invest in feature learning infrastructure rather than architectural sophistication.

ترجمه فارسی چکیده

هدف این مطالعه ارزیابی چارچوب‌های تحلیل بقا عمیق برای پیش‌بینی مجوزهای ثبت اختراع است. در این مطالعه، مدل‌های نرخ بهبودی در برابر رویکردهای استاندارد مقایسه شدند و مزیت مدل‌سازی زمانی نسبت به طبقه‌بندی ثابت سنجیده شد. داده‌ها شامل ۶۲۴،۱۲۹ اختراع اداره ثبت علائم و اختراع ایالات متحده (USPTO) در سال‌های ۲۰۱۶ و ۲۰۱۷ بودند. عملکرد با معیار Recall@K در افق‌های پیش‌بینی یک‌ساله، سه‌ساله و پنج‌ساله ارزیابی شد. نتایج نشان داد که تمام رویکردهای یادگیری عمیق عملکرد خوبی داشتند (Recall@10% ۸۹.۸-۹۱.۹%) که از طبقه‌بندی کس regressive کلاسیک (۷۰.۶-۷۲.۳%) بهتر بود. مدل DeepSurv (مدل کس تناسبی خطر عصبی) بهترین تعادل بین سادگی و عملکرد را ارائه داد. مدل‌های پیچیده‌تر نرخ بهبودی هیچ مزیت واضحی اضافی نسبت به DeepSurv استاندارد نداشتند. مدل‌سازی بقا نسبت به طبقه‌بندی باینری ثابت، مزایای آماری محدودی داشت.

متن کامل اصلی