[논문리뷰] Novel or Not? PatEx-Gym: Agentic Prior-Art Search for Novelty Assessment in Patent Examination

링크: 논문 PDF로 바로 열기

메타데이터

저자: Qiyao Wang, Xinyi Chen, Hongbo Wang, Jiayuan Lu, Jianhang Li, Minghuan Tan, Yuan Lin, Min Yang

---

1. Key Terms & Definitions (핵심 용어 및 정의)

• PatEx-Gym: 특허 심사(Patent Examination) 과정 내의 에이전트 성능을 평가하고 훈련하기 위한 최초의 통합 프레임워크입니다.
• Office Action (OA): 심사관이 특허 출원의 신규성 및 진보성을 평가하여 발행하는 공식 심사 결과 보고서입니다.
• PASS (Prior-Art Agentic Search Trajectory Synthesis): 에이전트의 검색 과정을 추적하고, 문서 방문(Document Visit)을 통해 신뢰할 수 있는 검색 궤적(Search Trajectory)을 자동으로 생성 및 필터링하는 프레임워크입니다.
• Prior-Art: 신규성 평가의 근거가 되는 선행 기술 문헌(특허 및 학술 논문)을 의미하며, 이를 발견하는 과정이 심사의 핵심입니다.
• Agentic Search: 단순 검색을 넘어, 에이전트가 능동적으로 계획하고 도구를 활용하며 추론과 검색을 반복하는 고도화된 정보 접근 방식입니다.

2. Motivation & Problem Statement (연구 배경 및 문제 정의)

특허 심사는 대규모 선행 기술 데이터를 검색하고, 이를 기반으로 심층적인 추론을 수행하여 최종적으로 Office Action을 작성해야 하는 고난도 지식 집약적 과제입니다. 기존의 벤치마크들은 고정된 소규모 후보군 내에서의 검색이나 단편적인 심사 단계만을 평가하는 데 그쳐, 실제 심사 과정에서 요구되는 동적이고 반복적인 '검색-추론-평가' 루프를 충분히 반영하지 못하는 한계가 있었습니다 [Table 1]. 따라서 본 논문은 실제 특허 심사 환경과 유사한 대규모 데이터셋과 에이전트 실행 환경을 제공하여, 에이전트의 전체 탐색 과정을 정밀하게 평가할 수 있는 새로운 프레임워크가 필요하다고 판단했습니다 [Figure 1].

Figure 1 — PatEx-Gym의 전체 프레임워크 아키텍처

3. Method & Key Results (제안 방법론 및 핵심 결과)

본 논문은 PatEx-Gym 프레임워크 내에서 PatEx-Bench를 구축하여 1K개의 실제 특허 심사 과제를 제공하며, 선행 기술 검색을 위한 Patent-1M 및 Paper-52K 코퍼스를 통합하였습니다. 제안하는 PASS 방법론은 문서 방문 데이터를 암시적 관련성 신호로 활용하여, 검색 궤적을 의미 단위로 분할하고 계층적 품질 모델링을 통해 우수한 궤적을 선별하는 데이터 정제 프레임워크입니다 [Figure 3]. 이 과정을 거쳐 생성된 PatEx-SynData로 훈련된 PatEx-Agent (4B)는 경량 모델임에도 불구하고, 훨씬 큰 규모의 모델들과 경쟁 가능한 Search-R 및 심사 성능을 입증하였습니다. 실험 결과, 단순 최종 결정 정확도(Decision Accuracy)보다 검색 과정에서의 Search-R, Visit-R, Select-R 지표가 실제 심사 품질을 더 잘 반영함을 확인하였습니다. 특히, PatEx-Agent는 약 30B 규모의 모델과 대등한 성능을 보이며 실무 적용을 위한 경량화된 베이스라인을 성공적으로 수립하였습니다.

Figure 3 — PASS 기반의 데이터 합성 프레임워크

4. Conclusion & Impact (결론 및 시사점)

본 연구는 PatEx-Gym을 통해 특허 심사라는 도전적인 과제를 에이전트 학습 및 평가의 핵심 테스트베드로 정립하였습니다. PASS를 활용한 데이터 합성 기법은 주석(Annotation) 없이도 고품질의 궤적을 확보할 수 있음을 보여주며, 이는 향후 도메인 특화 에이전트 학습의 확장 가능성을 제시합니다. 본 연구는 학계의 에이전트 검색 연구를 실제 산업의 복잡한 지식 검색 요구사항으로 확장하는 데 중요한 기여를 했으며, 경량화된 고성능 에이전트의 실질적인 활용 가능성을 증명하였습니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.