面向可提供决策证据的中国专利授权预测的结构表示学习与解耦

基于摘要分析。本文研究中国专利授权预测，提出检索式分类框架 DiSPat，旨在利用专利的权利要求层级结构及参考专利，在预测是否授权的同时提供决策证据；其主要研究对象是专利文本分析，而非 EEG 或 BCI。 DiSPat 包括三个组件：检索最相似的 Top-k 专利以构建参考库；利用权利要求的固有层级学习结构化专利表示；通过解耦表示学习支持可提供证据的决策过程。摘要未说明结构编码方式、解耦目标、损失函数，以及检索证据如何参与最终分类，因此尚不能判断其证据是否忠实反映模型的决策依据。 作者报告，在其构建的三个中国专利数据集上，DiSPat 的授权预测表现优于所比较的先进基线，并具有更好的证据支持能力。摘要未提供数据规模、划分协议、基线名称、具体指标及数值；实验协议、消融及统计信息尚未验证，不能据此量化性能收益或确认泛化范围。 平台推测（待验证）：其“检索参考样本辅助分类”的思路可形成 EEG 研究假设，但专利权利要求具有明确层级，EEG 并无直接等价结构，且摘要不足以支持解耦模块的具体迁移。若探索迁移，需重新定义 EEG 表示、相似性和参考库边界，并检验低信噪比、跨被试差异及小样本下是否检索到误导性参考。一个可证伪的小实验是在固定跨被试划分下，仅由训练被试建立参考库，比较相同 EEG 编码器加入参考检索前后的分类表现，并以随机参考作为对照；这仅检验检索机制，不代表复现完整 DiSPat。已有 EEG 相关工作尚未检索确认。