案例1：“基于LightGBM指标模型的物资抽检方法及装置”，其权利要求1为：一种基于LightGBM指标模型的物资抽检方法，其特征在于，所述方法包括：获取物资供应商的源数据，对所述源数据进行数据清洗，得到所述源数据的标准数据；获取待构建的LightGBM指标模型，根据预设的目标函数对所述待构建的LightGBM指标模型进行配置，得到初始LightGBM指标模型，其中，所述预设的目标函数为：……；利用所述标准数据构建所述初始LightGBM指标模型的训练集，利用所述训练集对所述初始LightGBM指标模型进行训练，得到所述初始LightGBM指标模型的训练结果；根据所述训练结果生成所述初始LightGBM指标模型的评价参数，利用所述评价参数对所述初始LightGBM指标模型进行参数优化，得到训练完成的LightGBM指标模型；利用所述训练完成的LightGBM指标模型生成所述物资供应商的抽检合格清单。

    案例1在实审时，因不构成专利法第2条第2款规定的技术方案，不属于专利保护的客体，被驳回。其驳回理由中提到：权1中LightGBM模型要处理的数据是供应商源数据，但该数据对象与LightGBM模型的各步骤并没有任何技术上的关联，LightGBM模型并没有因应用到物资抽检做出适应性修改，各步骤也没有体现出其各步骤具体如何与物资抽检相结合得到供应商的抽检合格清单，同时源数据与供应商抽检合格之间也未遵循自然规律，因此，采用的手段并非技术手段；……其实质是提高LightGBM指标模型的准确度的问题，是算法优化的问题，并非技术问题”。虽然，LightGBM模型在物资抽检上应用场景发生了变化，其训练数据“供应商源数据”也对应发生了变化，从技术上来说以“供应商源数据”训练得到的模型其模型参数也必然得到调整，但审查员却说数据对象与模型没有任何技术上关联，模型也没有因应用到物资抽检做出适应性修改。可见，单一的应用场景变化对应的训练数据的变化及单一的算法优化不属于可专利性的点。

    案例2：《审查指南》中提供的一种卷积神经网络模型的训练方法，其特征在于，一种卷积神经网络 CNN 模型的训练方法，其特征在于，所述方法包括：获取待训练 CNN 模型的初始模型参数，所述初始模型参数包括各级卷积层的初始卷积核、所述各级卷积层的初始偏置矩阵、全连接层的初始权重矩阵和所述全连接层的初始偏置向量；获取多个训练图像；在所述各级卷积层上，使用所述各级卷积层上的初始卷积核和初始偏置矩阵，对每个训练图像分别进行卷积操作和大池化操作，得到每个训练图像在所述各级卷积层上的一特征图像；对每个训练图像在至少一级卷积层上的一特征图像进行水平池化操作，得到每个训练图像在各级卷积层上的第二特征图像；根据每个训练图像在各级卷积层上的第二特征图像确定每个训练图像的特征向量；根据所述初始权重矩阵和初始偏置向量对每个特征向量进行处理，得到每个训练图像的类别概率向量；根据所述每个训练图像的类别概率向量及每个训练图像的初始类别，计算类别误差；基于所述类别误差，对所述待训练 CNN 模型的模型参数进行调整；基于调整后的模型参数和所述多个训练图像，继续进行模型参数调整的过程，直至迭代次数达到预设次数；将迭代次数达到预设次数时所得到的模型参数作为训练好的CNN 模型的模型参数。

     案例2中，《审查指南》中认为其明确了模型训练方法的各步骤中处理的数据均为图像数据以及各步骤如何处理图像数据，体现出神经网络训练算法与图像信息处理密切相关。对比案例1和案例2权利要求的撰写，案例1中只写了供应商源数据到训练集的变换，而训练集进入模型后的变化缺失，案例2中训练图像进入模型后在卷积操作、池化操作、特征向量化以及误差计算中的演变过程均有撰写，可见，要让应用场景的输入数据与模型在技术上关联，撰写时需体现出模型算法对场景输入数据的具体处理过程，即使用模型算法改变场景数据的过程可视为技术手段。进一步的，专利法保护客体还必须解决技术问题。案例2解决方案所解决的是如何克服 CNN 模型仅能识别具有固定尺寸的图像的技术问题，采用了在不同卷积层上对图像进行不同处理并训练的手段，利用的是遵循自然规律的技术手段，获得了训练好的CNN 模型能够识别任意尺寸待识别图像的技术效果。

     因此，该发明专利申请的解决方案属于专利法第二条第二款规定的技术方案，属于专利保护客体。同样的，对比案例1和案例2，两者实质上都对算法都做了改进，案例1对初始LightGBM指标模型的目标函数做了调整，案例2对特征向量化进行了优化，那为什么对应要解决的问题案例1为非技术问题、案例2却是技术问题呢？回到权利要求的撰写上来看，案例1的权利要求算法改进并未作用在场景数据上，即并未直接体现出目标函数对场景数据做出的调整，所以它只是算法优化。

     案例2权要中的算法优化，是根据每个训练图像在各级卷积层上的第二特征图像确定每个训练图像的特征向量，特征向量化直接作用到了场景数据上，它使得算法的作用关联到了场景数据的变化上，对应的技术问题自然可以关联到场景数上，从特征向量化的算法优化转变为识别任一尺寸待识别图像解决仅能识别具有固定尺寸的图像的技术问题。由此可见，对于模型算法的改进撰写不能仅仅写算法本身，而要将算法改进作用到场景数据上，将算法优化问题转换为场景里的特定技术问题，从而满足专利法第2条第2款规定的技术方案的规定。同样的，算法步骤对场景数据的作用过程（即改变过程）可将智力活动规则（算法本身）技术手段化。

原创 文季 知产人文季

免责声明：版权归原创所有仅供学习参考之用，禁止用于商业用途，部分文章推送时未能及时与原作者取得联系，若来源标错误侵犯到您的权益烦请告知我们将立即删除。