LSTM专利审查的重点要求是什么

发明专利

揭秘LSTM技术专利审查的核心要点

在人工智能迅猛发展的浪潮中，LSTM（长短期记忆网络）作为一种特殊的循环神经网络，凭借其处理序列数据的卓越能力，在自然语言处理、语音识别、时间序列预测等众多领域展现出巨大的应用潜力。随着相关技术的不断突破，LSTM专利的申请量也逐年攀升。国家知识产权局数据显示，近年来人工智能领域的专利申请中，涉及深度学习模型的占比显著增加，其中LSTM专利的审查工作因其技术的特殊性和复杂性，成为知识产权领域关注的焦点之一。对于申请人而言，深入理解审查员在处理LSTM专利申请时的重点考量因素，是提高专利授权率的关键。

审查员在面对一项LSTM相关的专利申请时，首先会关注其是否符合专利法规定的新颖性要求。这意味着申请文件所保护的技术方案必须是现有技术中未曾出现过的。由于LSTM技术本身已经过多年发展，相关的基础架构和应用方法可能已被多篇专利文献或学术论文公开。因此，申请人需要清晰地界定其发明与现有技术的区别，例如，是否提出了一种全新的LSTM网络结构变体，如对门控机制（输入门、遗忘门、输出门）的独特改进，或者是在特定应用场景下，通过参数优化、训练方法创新等方式显著提升了模型性能。如果仅仅是将已知的LSTM模型简单应用于一个新的领域，而没有在模型结构或核心算法上做出实质性改变，这种情况下获得授权的难度会相对较大，因为这可能被视为是本领域技术人员的常规选择。

创造性是LSTM专利审查中另一个核心环节，也是审查过程中的难点所在。根据专利法，一项发明具备创造性，是指与现有技术相比，该发明具有突出的实质性特点和显著的进步。对于LSTM这类技术，审查员会仔细评估技术方案是否对本领域技术人员而言是非显而易见的。例如，如果申请的技术方案是将两种现有的LSTM改进思路简单叠加，而这种叠加没有产生预料不到的技术效果，那么其创造性就可能受到质疑。相反，如果通过对网络层之间连接方式的创新，或者引入新的注意力机制与LSTM结合，使得模型在处理特定类型序列数据（如长文本情感分析、高维时间序列预测）时，在准确率、收敛速度或计算效率等方面取得了突破性的提升，并且这种提升是本领域技术人员在现有技术基础上难以预见的，那么该方案就更有可能被认定为具备创造性。许多学术期刊上发表的关于LSTM改进的研究成果，其价值也往往体现在这些“非显而易见”的创新点上。

实用性要求是所有专利申请都必须满足的基本条件，LSTM相关发明也不例外。这意味着该技术方案必须能够在产业上制造或者使用，并且能够产生积极效果。对于LSTM模型而言，这通常要求申请文件中需要给出清晰、完整的技术实现方案，包括模型的结构参数、训练数据的来源与预处理方式、训练过程的具体步骤以及模型在特定任务上的验证结果。如果一项LSTM相关的发明仅仅停留在理论构想层面，没有提供可实现的技术细节，或者虽然描述了结构，但无法通过现有技术手段复现其声称的功能和效果，那么就可能因缺乏实用性而无法获得授权。国家知识产权局在审查实践中，会特别关注申请文件中是否包含足够详细的实施例，这些实施例是否能够证明该LSTM技术方案在实际应用中是可行的，并且能够解决特定的技术问题。

在LSTM相关专利申请文件的撰写方面，说明书的公开充分性是审查员重点考察的内容。这要求申请人必须将发明的技术方案清楚、完整地公开，以确保本领域技术人员能够理解和实现该发明。对于LSTM模型，这意味着需要详细描述网络的拓扑结构、各层神经元的数量与类型、激活函数的选择、门控单元的具体计算公式、权重初始化方法以及所采用的优化器等关键技术细节。仅仅泛泛地提及“使用了LSTM网络”是远远不够的。如果发明点在于改进的训练方法，那么还需要公开训练数据的规模、数据增强的具体策略、学习率的调整方式、防止过拟合的措施等。一些申请人可能出于技术保密的考虑，故意隐瞒某些核心参数或步骤，这种做法往往会导致专利申请因公开不充分而被驳回。相反，一份公开充分的说明书不仅有助于审查员理解发明的实质，也能为后续的专利保护范围划定坚实的基础。

权利要求书作为界定专利保护范围的法律文件，其撰写质量直接影响专利的价值。在LSTM专利审查中，审查员会严格审查权利要求是否清楚、简要，以及是否以说明书为依据。权利要求的用词需要精准，避免使用模糊或含义不确定的术语。例如，描述LSTM网络的“改进”时，需要具体指出是结构上的改进、算法上的改进还是应用方法上的改进。同时，权利要求的范围也需要适中，过宽的保护范围可能会涵盖现有技术或本领域技术人员的常规设计，从而缺乏新颖性或创造性；而过窄的保护范围则可能使专利失去应有的市场价值。在撰写权利要求时，申请人通常需要从最核心的创新点出发，构建一个层次分明的权利要求体系，既要有保护范围较宽的独立权利要求，也要有对独立权利要求进行进一步限定的从属权利要求，以提高专利授权的可能性并获得更合理的保护范围。

此外，LSTM技术往往涉及大量的实验数据和效果对比，在专利审查过程中，这些数据是证明发明技术效果的重要依据。申请人应当在说明书中提供充分的实验证据，例如与现有技术方案在相同实验条件下的对比数据，包括准确率、召回率、均方误差等具体性能指标的提升幅度，以及这些提升所带来的实际应用价值。如果实验数据不足以支撑发明所声称的技术效果，或者对比实验的设计不够科学合理，审查员可能会对发明的创造性或实用性产生怀疑。因此，详实且具有说服力的实验验证是LSTM专利申请获得授权的重要保障。

对于LSTM这类前沿技术领域，专利审查标准也在不断发展和完善。国家知识产权局会根据技术发展的实际情况，适时更新审查指南和相关规定，以更好地适应新技术带来的挑战。申请人在提交LSTM专利申请前，除了关注技术本身的创新，还应当密切关注最新的审查政策和动向，必要时可以通过科科豆、八月瓜等平台获取相关的审查案例和实务解读，以便更好地规划专利申请策略。同时，与经验丰富的专利代理人合作，共同对技术方案进行深入分析和挖掘，精心撰写申请文件，也是提高LSTM专利授权成功率的有效途径。在审查过程中，针对审查意见通知书进行及时、准确、有针对性的答复，与审查员进行有效的沟通，澄清发明的创新点和技术效果，同样至关重要。

常见问题（FAQ）

LSTM专利审查的重点要求是什么？ LSTM专利审查的重点要求主要包括创造性、新颖性、实用性以及权利要求书的清楚性和支持性。创造性方面，需判断技术方案是否相对于现有技术具有突出的实质性特点和显著的进步，尤其关注LSTM网络结构改进、训练方法优化、应用场景创新等是否超越常规技术手段；新颖性要求技术方案未被现有技术公开，需排查国内外已公开的专利、论文等文献；实用性强调方案能够在产业中制造或使用并产生积极效果；权利要求书需明确界定保护范围，且技术特征需得到说明书充分支持，避免宽泛或模糊表述。

LSTM专利审查中如何判断创造性？ LSTM专利审查中判断创造性通常采用“三步法”：首先确定最接近的现有技术，通常是公开了LSTM基本结构或类似循环神经网络的技术文献；其次分析发明与最接近现有技术的区别技术特征，并确定发明实际解决的技术问题；最后判断现有技术中是否存在将上述区别技术特征应用到最接近现有技术以解决其技术问题的启示，若不存在这种启示且技术方案带来了预料不到的技术效果（如显著提升预测精度、降低计算复杂度等），则通常认为具备创造性。

LSTM网络的常规参数调整是否可被授予专利权？ LSTM网络的常规参数调整（如学习率、迭代次数、隐藏层神经元数量等的常规选择或优化）通常不具备创造性，难以被授予专利权。因为这些参数调整属于本领域技术人员的常规技术手段，其效果是可预期的，未体现出对现有技术的实质性改进。但若参数调整过程中结合了独特的算法模型、自适应调整机制或针对特定技术问题的创新性设计，使得调整效果显著优于常规手段且无法通过现有技术容易推导得出，则可能具备创造性。

误区科普

认为“只要包含LSTM网络就一定能获得专利授权”是常见误区。实际上，LSTM作为一种已知的循环神经网络结构，若专利申请仅简单应用LSTM网络解决常规问题，未体现对网络结构、训练方法、应用场景等方面的创新性改进，或仅进行常规参数调整、数据预处理等，可能因缺乏创造性而被驳回。专利授权的核心在于技术方案是否具备新颖性、创造性和实用性，而非仅依赖于是否使用了LSTM这一技术框架。申请人需明确技术创新点，例如提出新的门控机制、改进的梯度消失解决方法、针对特定领域（如医疗诊断、自然语言处理）的专用优化模型等，才能提高授权可能性。

本文观点总结：

LSTM技术专利审查核心要点包括：一是新颖性，需证明技术方案与现有技术有实质区别，如网络结构变体、门控机制改进或参数优化，简单应用于新领域难获授权；二是创造性，要求技术方案具备非显而易见的突出实质性特点与显著进步，如通过连接方式创新或结合新注意力机制实现性能突破，简单叠加现有改进可能不被认可；三是实用性，需提供可产业应用的完整实现方案，含结构参数、训练数据、步骤及验证结果，不可仅为理论构想；四是说明书公开充分性，需详细描述拓扑结构、神经元配置、门控公式等关键细节，隐瞒核心参数会导致驳回；五是权利要求书质量，需用词精准、范围适中，构建层次分明的权利要求体系；六是实验数据支撑，需提供与现有技术的对比数据（如准确率、收敛速度）及实际应用价值，以证明技术效果。此外，申请人需关注审查政策动态，与专业代理人合作优化申请文件，并及时针对性答复审查意见。

参考资料：

国家知识产权局。

知网，《LSTM网络结构改进及其专利保护研究》。

科科豆，《LSTM专利审查核心要点与应对策略》。

八月瓜，《深度学习模型专利授权难点分析——以LSTM技术为例》。

中国专利信息中心，《深度学习技术专利审查报告》。

免责提示：本文内容源于网络公开资料整理，所述信息时效性与真实性请读者自行核对，内容仅作资讯分享，不作为专业建议（如医疗/法律/投资），读者需谨慎甄别，本站不承担因使用本文引发的任何责任。