数据预处理与参数限定

AI专利答复“创造性”驳回的杀手锏：数据预处理与参数限定

以下内容适用于尚未开始使用 Patenty.ai 的用户。

引言：审查员的“万能公式”

做过AI领域案件的代理师，对审查意见通知书里的这段话一定不陌生：

“对比文件1公开了应用场景（如医疗诊断），对比文件2或公知常识公开了神经网络模型（如CNN、Transformer）。本申请仅仅是将公知的AI模型应用于特定的场景，这对于本领域技术人员来说是显而易见的，属于简单的常规设计，不具备突出的实质性特点和显著的进步（专利法第22条第3款）。”

看到这种评述，确实让人头大。客户为了训练模型，采集了海量数据，调参调到头秃，结果被审查员一句“通用算法的简单应用”就否定了。

但我们不能退缩。ResNet、BERT等模型架构确实是现有的，死磕“模型架构”的非显而易见性很难赢。想要在**“三步法”的博弈中胜出，我们必须转移战场——从“通用的算法”转向“特定的数据输入”和“具体的训练策略”**。

今天，我们就来聊聊如何利用**“数据预处理”和“参数限定”**，打破审查员的“公知常识”逻辑闭环。

1. 转移战场：不卖“模型”，卖“数据加工”

当审查员指出“模型结构是公知的”，我们不妨承认这一点。然后，将争辩的焦点转移到**“输入数据的特殊性”**上。

根据CNIPA《专利审查指南》第二部分第九章，如果算法与具体的技术处理相结合，解决了技术问题，就具有技术性。我们可以主张：“为了让这个公知的模型能在这个特定的场景下工作，必须对数据进行非显而易见的预处理。”

✅ 答复逻辑：“垃圾进，垃圾出（Garbage In, Garbage Out）”的反向运用

强调如果直接使用原始数据（Raw Data），公知模型根本无法收敛或产生过拟合。本申请的创造性在于找到了**“特定的预处理手段”**。

• 【实战案例：医疗影像分析】

  • 驳回理由： “用CNN识别X光片里的肿瘤是公知常识。”

  • 答复策略： 不要只强调“用了CNN”，而要强调权利要求中的预处理步骤：

    “本申请并非简单地输入图像，而是先将X光片转换为HSV色彩空间，并对明度（V）通道进行限制对比度自适应直方图均衡化（CLAHE），再输入模型。”

  • 创造性争辩：

    • “现有技术直接输入原图，受光照影响大，准确率低。”

    • “本申请的特定预处理消除了光照噪声，使得公知模型能够提取到现有技术无法提取的细微特征，这构成了区别技术特征，并带来了预料不到的技术效果。”

2. 参数限定：从“数值”到“技术含义”

在权利要求中简单写 Learning rate = 0.001，在中国审查中通常会被视为“通过有限次实验即可得到的数值范围”，不具备创造性。

我们需要将参数包装成**“解决特定技术问题的策略”**。

✅ 答复逻辑：优化的困难度（Difficulty of Optimization）

证明该参数的选择不是任意的，而是为了解决模型训练中的具体障碍（如梯度消失、样本不平衡）。

• 自定义损失函数（Custom Loss Function）：

  • 如果案子用了特定的Loss Function，一定要大书特书。比如：“在欺诈检测中，正负样本比例极度不平衡（1:1000）。常规Cross-Entropy无法工作。本申请设计了加权损失函数，强制模型关注少数类样本。”

  • 这就不再是“数学计算”，而是**“解决样本不平衡导致模型失效这一技术问题的技术手段”**。

• 训练策略的具象化（如冻结层）：

  • “在迁移学习时，冻结特征提取器的前N层，仅微调分类头。”

  • 这不仅是参数设置，更是一种**“节省计算资源并防止过拟合的具体构造”**。

3. 因果关系的非显而易见性

审查员往往通过“后见之明”认为：既然有数据A和结果B，用AI找规律是理所当然的。

我们要反驳的是：“发现数据A和结果B之间存在可学习的规律，这本身就是一种发明。”

• 【逻辑构建】

  • 技术问题： “本领域技术人员通常认为，数据A（例如：电机的微弱振动噪音）包含过多环境噪声，无法用于预测B（例如：3天后的故障）。”

  • 技术手段： “本申请将数据A进行快速傅里叶变换（FFT）转换到频域，并输入LSTM模型。”

  • 技术启示的缺失： “现有技术没有任何篇章提示‘频域数据’包含故障特征。本申请的创造性在于揭示了这种非显而易见的强相关性。”

4. 给代理师的实务建议 (Actionable Tips)

为了在答复OA时有理有据，我们在撰写阶段就要埋好伏笔。

Tip 1. 说明书中必须有“对比实验数据”

在中国，**“技术效果”**是论证创造性的核心证据。

• 只有文字描述“效果好”是不够的，必须要有图表。

• 对比组（Baseline）： 通用模型 + 原始数据 = 准确率 70%

• 实验组（Ours）： 通用模型 + 本申请的预处理/特定参数 = 准确率 92%

• 这一张图，往往比五页的文字辩论更能打动审查员。

Tip 2. 布局多层次的从属权利要求

独立权为了范围可以写得宽，但从属权里一定要把**“具体的预处理算法公式”、“损失函数的数学表达式”、“数据增强的具体方式”**写进去。

• Why? 当独立权被“三步法”评述掉时，这些具体的从属权是很多时候能争取到的最后防线，也是将来做“区别技术特征”认定的基础。

结语：是引擎还是调校？

当审查员说“这只是用了AI技术”时，我们的回应应该是：

“两辆赛车可能用着一样的引擎（模型），但决定胜负的是燃料的纯度（数据预处理）和引擎的调校（参数策略）。”

AI专利的创造性，往往不隐藏在神经网络的架构图中，而隐藏在**数据工程（Data Engineering）**的细节里。

下次遇到“简单常规设计”的驳回时，试着把焦点拉回到**“输入端”**，或许你会发现审查员的证据链并没有看起来那么完美。

📝 总结清单 (Checklist)

• [ ] 答复重点是否从“模型结构”转移到了**“数据预处理”或“输入特征的构造”**？

• [ ] 参数限定是否解释了其背后的**“技术问题”**（如解决过拟合、样本不平衡）？

• [ ] 说明书中是否有**“对比实验数据”**来支撑预料不到的技术效果？

• [ ] 是否在从属权利要求中布局了具体的损失函数或训练策略？