심층신경망 기반 특허 거래 예측에 관한 연구: 멀티모달 전이학습과 DeepSurv 생존분석의 이중 접근 = A study on Deep Neural Network based Patent Transaction Prediction: A Dual Approach with Multimodal Transfer Learning and DeepSurv Survival Analysis

국문 초록 (Abstract)

지식 기반 경제에서 기술 혁신은 기업의 경쟁력 확보와 국가 경제 성장의 핵심 동력으로 작용한다. 특허는 지식재산권 보호 수단을 넘어 기업의 기술 자산 가치를 반영하는 핵심 지표이자 기술 사업화의 출발점이다. 이러한 특허의 경제적 가치는 단순히 법적 권리로서의 존속 자체로만 평가될 수 없으며, 금전적 대가가 수반되는 거래를 통해 비로소 실현된다. 그러나 특허의 거래 정보의 경우, 비공개적 성격으로 인해 접근이 제한적이기 때문에, 기존 연구들은 대부분 권리이전 이력, 특허 패밀리 수, 인용 수 등과 같은 대용치에 의존하였다. 이로 인해 특허 거래의 발생 여부와 발생 시점을 직접적으로 예측한 연구는 매우 제한적이었다.
본 학위논문은 이러한 연구 공백을 보완하기 위해, 기술보증기금의 실제 특허 거래 사례 데이터를 활용하여 특허 거래 발생 여부와 발생 시점이라는 두 차원에서 분석하는 새로운 심층신경망 기반 프레임워크를 제안한다. 이를 위해 본 논문은 두 개의 독립적 연구로 구성된다.
첫 번째 연구에서는 멀티모달-전이학습 기반 특허 거래 예측 모형을 개발하였다. 특허 초록과 요약과 같은 특허의 텍스트 정보로부터 KorPatBERT 임베딩을 추출하고, 청구항 수, 출원인 수, IPC 관련 변수 등 특허의 구조화된 정보와 결합하여 멀티모달 입력을 구축하였다. 권리이전 이력을 활용한 사전학습과 실제 거래 사례 기반의 미세조정을 통해 거래 여부를 예측한 결과, 멀티모달-전이학습 모형은 단일 모달리티 및 비전이학습 기반 모형 대비 우수한 성능을 보였으며, 이는 실제 거래 데이터의 희소성을 효과적으로 보완할 수 있음을 확인하였다.
두 번째 연구에서는 신경망 기반 생존분석을 활용한 특허 거래 시점 예측을 수행하였다. 특허 출원일부터 거래 발생까지의 기간을 사건으로 정의하고, 권리이전 이력 없이 소멸한 특허를 중도절단 사례로 처리하여 생존분석 데이터셋을 구축하였다. 이후 콕스 비례위험모형(Cox Proportional Hazards, CPH), 랜덤 생존 포레스트(Random Survival Forest, RSF), DeepSurv 모형을 비교한 결과, DeepSurv가 가장 우수한 예측 성능을 보임을 확인하였다. 가장 우수한 성능을 보인 DeepSurv 모형에 대한 해석력을 강화하기 위해, SHAP 기법을 적용하여 거래 발생 시점 예측에 영향을 미치는 핵심 설명변수를 규명하였다.
종합적으로 본 학위논문은 멀티모달-전이학습과 신경망 기반 생존분석이라는 두 가지 접근을 활용하여, 특허 거래를 다차원적으로 이해하고 예측할 수 있는 새로운 분석 체계를 제시한다. 학문적으로는 특허 거래 대용치에 의존해온 기존 연구들과 달리 희소한 실제 거래 사례를 데이터로 활용한 정량적 연구라는 점에서 의의가 있으며, 멀티모달-전이학습과 생존분석 기법을 특허 거래 문제에 접목함으로써 새로운 연구 지평을 열었다는 점에서 기여를 가진다. 실무적으로는 기업과 기술 중개기관이 보유한 특허 자산의 거래 가능성을 조기에 평가하고, 거래 발생 시점을 예측함으로써 기술 사업화 전략과 자원 배분 의사결정에 실질적인 기여를 할 수 있을 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

In a knowledge-based economy, technological innovation serves as a key driver of corporate competitiveness and national economic growth. Patents, beyond functioning as instruments of intellectual property protection, represent a crucial indicator of technological asset value and the starting point of technology commercialization. However, the economic value of patents cannot be reduced to mere application counts or legal status; rather, it is materialized through transactions in which ownership transfers involve monetary consideration. Due to the confidential nature of actual transaction data, prior studies have largely relied on proxies such as ownership transfer records, patent family size, or citation counts. Consequently, direct prediction of both the occurrence and timing of patent transactions has been rare.
This dissertation addresses this research gap by proposing a novel deep neural network–based framework that leverages actual patent transaction data from the Korea Technology Finance Corporation (KOTEC) to analyze two dimensions: whether a transaction occurs and when it occurs. The dissertation consists of two independent but complementary studies.
The first study develops a multimodal transfer learning model for predicting patent transaction occurrence. Textual information from patent abstracts and summaries was embedded using KorPatBERT, and then combined with structured metadata such as the number of claims, inventors, applicants, and IPC-related variables to construct multimodal inputs. A pretraining step using ownership transfer histories, followed by fine-tuning on actual transaction cases, demonstrated that the multimodal transfer learning model outperformed unimodal and non-transfer learning models. This finding confirms the effectiveness of transfer learning in addressing the scarcity of actual transaction data.
The second study applies neural network–based survival analysis to predict the timing of patent transactions. The period from patent application to transaction occurrence was defined as the event, while patents that expired without any ownership transfers were treated as censored cases. Cox proportional hazards (CoxPH), Random Survival Forest (RSF), and DeepSurv models were compared, and DeepSurv achieved the best predictive performance. To enhance interpretability, SHAP analysis was conducted on the DeepSurv model, identifying key explanatory variables influencing transaction timing.
Overall, this dissertation introduces a new analytical framework that combines multimodal transfer learning and neural survival analysis to provide a multidimensional understanding of patent transactions. Academically, it contributes to the literature by moving beyond proxy-based approaches and presenting one of the few quantitative studies using actual transaction data. Methodologically, it expands the research horizon by applying multimodal transfer learning and survival analysis techniques to the domain of patent transactions. Practically, the findings provide firms and technology intermediaries with tools to assess the transaction potential of patent assets at an early stage and to predict transaction timing, thereby supporting more effective technology commercialization strategies and resource allocation decisions.

목차 (Table of Contents)

• 표 차례 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ iii
• 그림 차례 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ iv
• 국문 요약 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ v
• 제1장 서론 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 1
• 제2장 이론적 배경 및 선행 연구 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 3
• 2.1. 신경망 기반 특허 거래 예측 선행 연구 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 3
• 2.2. 생존분석 기반 특허 거래 시점 예측 선행 연구 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 6
• 제3장 멀티모달-전이학습 기반 특허 거래 예측 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 9
• 3.1. 제3장 서론 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 9
• 3.2. 연구 방법론 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 12
• 3.2.1. 데이터 수집 및 전처리 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 12
• 3.2.1.1. 특허 메타데이터–구조화 변수 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 15
• 3.2.1.2. 특허 텍스트 데이터–비정형 텍스트 변수 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 17
• 3.2.2. 멀티모달-전이학습 기반 특허 거래 예측 모델 프레임워크 ㆍㆍㆍㆍㆍㆍㆍㆍ 20
• 3.3. 실험 결과 및 분석 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 22
• 3.3.1. 실험 설정 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 22
• 3.3.1.1. 모델 학습 및 하이퍼파라미터 최적화 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 23
• 3.3.1.2. 모델 평가 지표 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 25
• 3.3.2. 실험 결과 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 26
• 3.3.2.1. 특허 거래 예측에서의 멀티모달 효과 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 26
• 3.3.2.2. 특허 거래 예측에서의 전이학습 효과 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 28
• 3.3.2.3. 특허 거래 예측에서의 도메인 특화 언어모델의 효과 ㆍㆍㆍㆍㆍㆍㆍㆍ 30
• 3.4. 제3장 요약 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 32
• 제4장 특허 거래 시점 예측을 위한 심층신경망 기반 생존분석 활용에 관한 연구 ㆍㆍㆍㆍ 34
• 4.1. 제4장 서론 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 34
• 4.2. 방법론 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 37
• 4.2.1. 생존분석 방법론 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 37\
• 4.2.1.1. 콕스 비례위험모형(CPH) ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 37
• 4.2.1.2. 랜덤 생존 포레스트(RSF) ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 39
• 4.2.1.3. DeepSurv ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 40
• 4.2.2. 평가지표 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 42
• 4.2.2.1. Harrell의 일치 지수(C-index) ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 42
• 4.2.2.2. 브라이어 점수(Brier Score) ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 44
• 4.2.3. SHAP 분석 기법 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 45
• 4.3. 데이터 및 변수 설명 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 46
• 4.3.1. 데이터 수집 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 46
• 4.3.2. 특허 변수 설명 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 48
• 4.4. 실험 결과 및 분석 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 51
• 4.4.1. 실험 설정 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 51
• 4.4.2. 실험 결과 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 55
• 4.4.3. SHAP 분석 결과 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 58
• 4.5. 제4장 요약 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 62
• 제5장 결론 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 65
• 참고 문헌 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 67
• 영문 요약 ㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍㆍ 81