IP-Coster | WO2023020892 | METHOD AND SYSTEM FOR AUTOMATED CORRECTION AND/OR COMPLETION OF A DATABASE

Country	Stages	Total
China	Filing	1127
EPO	Filing, Examination	4696
Japan	Filing	587
South Korea	Filing	574
USA	Filing, Examination	2710

Abstract[English] An auto-encoder model (AEM) processes a datasets describing a physical part from a part catalogue in the form of a property co-occurrence graph (G), and performs entity resolution and auto-completion on the co-occurrence graph (G) in order to compute a corrected and/or completed dataset. According to an embodiment, the encoder (E) consists of a recurrent neural network (RNN) and a graph attention network (GAT). The decoder (D) contains a linear decoder (LD) for numeric values and a recurrent neural network decoder (RNN-D) for strings. The auto-encoder model provides an automated end-to-end solution that can auto-complete missing information as well as correct data errors such as misspellings or wrong values. The auto-encoder model is capable of auto-completion for highly unaligned part specification data with missing values. This has multiple benefits: First, the auto-encoder model can be trained completely unsupervised (self-supervised) as no labeled training data is required. Second, the auto-encoder model can capture correlation between any part specification property, value, and unit of measure. Third, the auto-encoder model is a single model instead of many models (for example, one for each property and unit) as would be the case in a Euclidean (table-based) missing data imputation algorithm. Fourth, the auto-encoder model can natively handle misspelled property and values terms and learn to align them. A further advantage is the ability for interactive user involvement. As the auto-encoder model operates purely on character-level, immediate feedback to the user can be given, for example after each character that the user is typing or editing.[French] Un modèle d'autocodeur (AEM) traite des ensembles de données décrivant une partie physique à partir d'un catalogue de pièces sous la forme d'un graphe de cooccurrence de propriétés (G), et effectue une résolution d'entité et une autocomplétion sur le graphique de cooccurrence (G) afin de calculer un ensemble de données corrigé et/ou complété. Selon un mode de réalisation, le codeur (E) est constitué d'un réseau neuronal récurrent (RNN) et d'un réseau d'attention graphique (GAT). Le décodeur (D) contient un décodeur linéaire (LD) pour des valeurs numériques et un décodeur de réseau neuronal récurrent (RNN-D) pour des chaînes. Le modèle d'autocodeur fournit une solution de bout en bout automatisée qui peut autocompléter des informations manquantes et corriger des erreurs de données telles que des fautes d'orthographe ou des valeurs erronées. Le modèle d'autocodeur est capable d'effectuer une autocomplétion pour des données de spécification de pièce hautement non alignées avec des valeurs manquantes. Cela présente de multiples avantages : d'abord, le modèle d'autocodeur peut être entraîné entièrement sans supervision (autosupervision), car aucune donnée d'entraînement marquée n'est nécessaire; deuxièmement, le modèle d'autocodeur peut capturer une corrélation entre n'importe quelle propriété de spécification de pièce, valeur et unité de mesure; troisièmement, le modèle d'autocodeur est un modèle unique au lieu de nombreux modèles (par exemple, un pour chaque propriété et unité) comme cela serait le cas dans un algorithme euclidien d'imputation de données manquantes (basé sur un tableau); quatrièmement, le modèle d'autocodeur peut gérer de manière native des termes de propriété et de valeurs mal orthographiés et apprendre à les aligner. Un autre avantage est la capacité d'implication interactive de l'utilisateur. Au fur et à mesure que le modèle d'autocodeur fonctionne uniquement au niveau des caractères, un retour immédiat peut être donné à l'utilisateur, par exemple après chaque caractère que l'utilisateur frappe ou modifie.

Total Number of Claims/PCT	*
Number of Independent Claims	*
Number of Priorities	*
Number of Multi-Dependent Claims	*
Number of Drawings	*
Pages for Publication	*
Number of Pages with Drawings	*
Pages of Specification	*
Sequence Listing	*
International Search Report is established	*
International Searching Authority	EPO *
Applicant's Legal Status	Legal Entity *
Small Entity	*
Non-Commercial Organization	*
Small Entity, USA	*
Micro Entity, USA	*
Entry into National Phase under	Chapter I *
Translation

WO2023020892 - METHOD AND SYSTEM FOR AUTOMATED CORRECTION AND/OR COMPLETION OF A DATABASE

Quotation for National Phase entry