随着计算机技术的飞速发展，通过专利来保护计算机技术领域的需求也越来越多，因此计算机技术相关的发明专利申请量大幅增加，然而，并不是所有的发明创造都可以受到专利法的保护，特别是针对涉及算法的计算机技术，很容易因为不符合专利法第二条第二款而被排除在专利保护客体之外。

专利法第二条第二款规定：“发明, 是指对产品、方法或者其改进所提出的新的技术方案”。此项规定给出了发明的定义。同时, 专利法第二十五条第一款规定：“对下列各项, 不授予专利权: (一) 科学发现; (二) 智力活动的规则和方法; (三) 疾病的诊断和治疗方法; (四) 动物和植物品种; (五) 用原子核变换方法获得的物质;(六) 对平面印刷品的图案、色彩或者二者的结合作出的主要起标识作用的设计。”

其中, 对于智力活动的规则和方法, 《专利法审查指南》指出, 在判断涉及智力活动的规则和方法的专利申请要求保护的主题是否属于可授予专利权的客体时, 应当遵循以下原则:1) 如果一项权利要求仅仅涉及智力活动的规则和方法, 则不应当被授予专利权。2) 除了上述 (1) 所描述的情形之外, 如果一项权利要求在对其进行限定的全部内容中既包含智力活动的规则和方法的内容, 又包含技术特征, 则该权利要求就整体而言并不是一种智力活动的规则和方法, 不应当依据专利法第二十五条排除其获得专利权的可能性。

算法本身源于人的抽象思维方式, 因此单纯的算法属于智力活动的规则和方法。对于具体到涉及算法的发明专利申请, 如果其仅仅涉及纯数学运算方法或者规则, 则属于上述专利法第二十五条第一款第 (二) 项规定的智力活动的规则和方法。因此，本文通过案例分析浅谈在撰写涉及算法流程的专利过程中如何避免存在客体问题。

传统算法通常被认定为抽象的思维和计算方法，不能包含在可专利客体范畴之内，是不能申请专利的对象，甚至不是知识产权制度保护的对象。而随着计算机科学的出现和发展，算法的概念也从数学分支转向了计算机领域。

起源于 20 世纪 50 年代的编程算法技术的研究，使人类跨入了智能时代，美国计算机科学家冯·诺伊曼（1957）以“可计算性”定义智能，其中也蕴藏了智能算法的内涵。[1]到了2016年，以计算机科学为基础的人工智能技术浪潮在全球爆发，2016年也被称为人工智能技术元年，与此同时，各国各地区以人工智能技术变革为对象的新一轮竞争已然拉开帷幕。而被公认为 21 世纪三大尖端技术之一的人工智能技术的精髓仍然得归结于算法，但不同于传统算法，称其为“智能算法”，在智能时代背景下也可简称为“算法”。

一个算法应该具有以下五个重要的特征：一是有穷性，即一个算法必须保证执行有限步之后结束；二是确切性，即算法的每一步骤必须有确切的定义；三是具备输入性，即一个算法有0个或多个输入，以刻画运算对象的初始情况，所谓0个输入是指算法本身确定了初始条件；四是具备输出性，即一个算法有一个或多个输出，以反映对输入数据加工后的结果。没有输出的算法是毫无意义的；五是可行性，即算法原则上能够精确地运行，而且人们用笔和纸做有限次运算后即可完成。[2] 从上面算法的特性可以看出，一个完整的算法过程是，在输入初始条件之后，经过确切地、有限步骤的运算，能够精确地得到输出结果。

当对算法进行专利撰写时，算法发明通常除了包括数学理论、换算方法本身还包括其他技术特征，算法可以通过编写程序执行，在通信及互联网等技术领域，使用算法的技术方案几乎全部由计算机程序运行实现，算法的运行和实现无法脱离计算机的使用。

《专利审查指南2010》所说的“智力活动”是指人的思维活动经过推理、分析和判断产生出抽象的结果，指南还指出“智力活动的规则和方法”是指导人们进行思维、表述、判断和记忆的规则和方法，包括数学理论和换算方法、计算机的语言以及计算规则、计算机程序本身等。[3]算法本身体现的是在面对解决问题时，经过思考、推理、分析、判断后形成的步骤方法或计算规则，因此属于一种智力活动，但算法发明由于其应用在一定的领域，还包括一定的技术特征，因此不能和智力活动的规则和方法相互等同。

目前，在“黑马”专利数据库系统中，通过“/ab 算法”进行检索，涉及算法相关专利已达到了807638件，算法专利的申请人大多集中在高通、华为、诺基亚、中兴、腾讯等企业及各高校，各大企业近年来在图像处理、语音识别、信息安全、信道编码等技术上的算法改进上投入了大量的精力，申请了大量专利，活跃程度持续加强， 然而算法申请的授权率长期以来却不高， 以图像处理（H04N）、数字信息传输（H04L）、无线通信通信（H04W）为例，通过对上述三个领域在2012-2016连续五年的申请量和授权量进行统计发现，上述三个领域综合五年的授权率分别仅为18.2%，7.4%，14.3%。[4] 研究发现，算法申请不授权的主要原因即包括算法专利的保护客体不属于授权客体。

企业在进行专利申请时，通常都认为算法申请体现了应用领域，通过由技术特征构成的技术方案解决了所应用领域存在的技术问题，并产生了一定的技术效果，应予以保护。而在审查过程中中，常常对算法本身及其应用的专利保护在适格性方面存在一定争议。由于专利审查指南中并未对算法专利的适格性的审查标准进行规定，因此对包含算法技术特征的方案是否属于数学算法、是否构成技术方案是审查算法专利的焦点问题。

以下介绍两个案例，以同一申请人在相同技术领域申请的两件相似的算法相关专利为例进行说明。

案例一涉及一种用于保护标签信息的纵向联邦神经网络模型学习方法，其独立权利要求如下：

且案例一的权利要求书中仅涉及用于保护标签信息的纵向联邦神经网络模型学习方法，未涉及该方法对应的计算机程序产品或计算机存储介质。

在实审程序中，审查员认为：权利要求1请求保护一种用于保护标签信息的纵向联邦神经网络模型学习方法。该解决方案通过对纵向联邦神经网络模型的反向偏导进行多元高斯分布建模，并根据用户可接受的最大KL散度之和通过二分查找方法计算扰动分布，在计算出扰动分布的协方差矩阵后，根据参与方每条样本的标签，对反向偏导添加噪声扰动。其技术方案本质上是一种纯粹的算法，其采用的手段是人为进行算法模型的设计，并按照设计的要求来进行，不受自然规律的约束，因此不属于一种技术手段。

而其解决的技术问题:1.减少计算扰动的时间，属于对现有联邦学习算法的改进，不是一个客观存在的技术问题;2.更好的确定所添加的扰动，满足用户对标签安全的预期，也是对现有技术中迭代式扰动算法Marvell的一种纯算法上的改进。且所述用户标签实际上是监督式学习算法中的一个抽象概念，并不是在现实世界中物理存在的标签。因此，该问题也不是一个技术问题。其最终达到的效果，保护监督式学习算法中标签的数据安全，也不是符合自然规律的技术效果。因此，权利要求1不属于专利法第2条第2款规定的技术方案，不属于专利保护的客体。

案例一在经过两次审通后被驳回。

案例二涉及一种联邦模型训练方法、装置、终端设备以及存储介质，其独立权利要求如下：

1、一种联邦模型训练方法，其特征在于，所述联邦模型训练方法应用于联邦学习系统，所述联邦学习系统包括第一参与方和第二参与方，所述第二参与方拥有样本标签，所述联邦模型训练方法包括以下步骤：

所述第一参与方基于第一明文模型权重随机数、第二明文模型随机数密文进行同态性质计算，生成第一模型权重密文，其中，所述第二明文模型随机数密文由所述第二参与方根据第二明文模型随机数加密生成并发送至所述第一参与方；

所述第一参与方基于所述第一模型权重密文与第一训练数据生成并发送第一参与方预测输出密文至所述第二参与方，以供所述第二参与方对所述第一参与方预测输出密文进行解密得到第一参与方预测输出；

所述第二参与方根据所述第一参与方预测输出与第二参与方预测输出计算得到联合预测输出，并根据所述联合预测输出计算得到预测值，其中，所述第二参与方预测输出由所述第二参与方根据第二训练数据与第二明文模型权重计算得到；

所述第二参与方基于所述预测值与所述样本标签生成联合预测输出梯度，将所述联合预测输出梯度加密得到联合预测输出梯度密文并发送至所述第一参与方，并根据所述联合预测输出梯度更新所述第二明文模型权重；

所述第一参与方根据所述联合预测输出梯度密文进行同态性质计算得到第一模型梯度密文，并根据所述第一模型梯度密文更新所述第一模型权重密文。

案例二在经过一次形式问题的修改后获得了授权。

实际上，在案例一的背景技术中记载了：“在人工智能时代，机器学习尤其深度学习模型的获得需要大量的训练数据作为前提。但是在很多业务场景中，模型的训练数据往往分散在各个不同的业务团队、部门、甚至是不同的公司内。由于用户隐私，这些数据无法直接使用，形成了所谓的“数据孤岛”。

近两年，联邦学习技术 (Federated Learning , FL)迅速发展，为跨团队数据合作，打破“数据孤岛”提供了新的解决思路，并开始从理论研究迈向批量应用的落地阶段。联邦学习与普通机器学习任务的核心区别之一在于训练参与方从一方变为了两方甚至多方。联邦学习通过多方一起参与同一个模型训练任务，在数据不出库和保护数据隐私的前提下，完成模型训练任务，打破“数据孤岛”。

例如，在两方纵向联邦学习里，参与方A（例如，某广告公司）和参与方B（例如，某社交网络平台）合作，联合训练一个或多个基于深度学习的个性化推荐模型。其中，参与方A拥有部分数据特征，例如，(X1 ,X2 ,  …, X40)，共40维数据特征；而参与方B拥有另一部分数据特征，例如，(X41 ,X42 ,  …, X100)，共60维数据特征。参与方A和B联合起来，就拥有了更多的数据特征，例如，A和B数据特征加起来就有100维数据特征，所以显著扩展了训练数据的特征维度。对于有监督深度学习，参与方A和/或参与方B还拥有训练数据的标签信息Y。

因此，一个核心问题就在于如何协调两方或者多方一起完成一个模型训练任务的同时，保护双方的数据安全，不让任何一方得知另外一方的数据。然而，对于机器学习中最常见的二分类任务，目前已有的纵向联邦神经网络训练方法，要么存在反向偏导（Backward derivatives）泄漏标签信息的风险，要么为了保护标签信息而导致效率低下或对用户不友好的问题。

现有的采用纵向联邦神经网络训练的标签保护方法中，论文[1]（Oscar Li etal . Label Leakage and Protection in Twoparty Split Learning . https://arxiv .org/abs/2102 .08504）记载了一种迭代式的扰动算法Marvell”，以及“上述现有的标签泄漏保护技术存在两个主要问题：(i) 每次给定budget后，对应的添加扰动后的最小sumKL计算不存在闭合解（closedform solution），每次计算最小sumKL需要较长的时间；(ii)在实际应用中，数据安全是十分重要的一环，用户往往会希望输入的budget可以满足预期的保护作用（即添加扰动后的sumKL是否可以小于某个用户预期的阈值），但用户无法提前判定所选的budget值是否能满足预期。由于存在这两个问题，该算法需要很长的时间计算扰动，造成模型训练的效率低下，并且在使用中对用户不友好。”

在案例一的发明内容中记载了“为了克服上述现有技术的不足，本发明提供一种用于保护标签信息的纵向联邦神经网络模型学习方法，可支持任意形式的纵向联邦神经网络模型，在用户给定标签保护程度（即添加扰动后，用户可接受的最大KL散度之和（sumKL值））的情况下，计算出满足标签保护，且对模型训练影响最小的扰动，提高纵向联邦神经网络模型训练用于保护标签信息的隐私性和可用性。”

在案例二的背景技术中记载了“随着数字经济的深入发展，大数据已经成为一种新的生产要素和战略资源。在人工智能时代，机器学习尤其深度学习模型的获得需要大量的训练数据作为前提。但是在很多业务场景中，模型的训练数据往往分散在各个不同的业务团队、部门、甚至是不同的公司内。由于隐私保护、数据安全、商业竞争等原因，不同机构拥有的数据很难整合到一起，导致在不同机构之间形成了所谓的“数据孤岛”。而联邦学习能够通过多方一起参与同一个模型训练任务，在数据不出库的前提下进行模型训练，可以破解数据融合应用与隐私保护难题。

相关技术中，联邦学习的各个参与方使用具有相同样本标识的样本数据进行模型训练，其中一方还拥有样本标签，由拥有样本标签的参与方负责对各方加密的模型计算结果进行解密，得到模型的梯度乘子并发送至其它参与方，各个参与方基于梯度乘子更新自己的模型。然而，在其它各参与方拥有己方明文模型权重的情况下，可以独立计算己方的预测输出，这会对拥有样本标签的参与方造成数据泄露。因此，有必要提出一种提升联邦模型训练安全性的解决方案。”

根据案例一及案例二的权利要求及说明书的内容可知，案例一请求保护的用于保护标签信息的纵向联邦神经网络模型学习方法，与案例二请求保护的联邦模型训练方法、装置、终端设备以及存储介质，同样属于联邦学习技术领域，同样是为了提高标签信息的隐私性，但前者最终因客体问题被驳回，后者未进行实质性修改直接获得授权，其关键在于撰写方式的区别。

首先，案例一的权利要求撰写方式，沿用了技术交底书中的表述，将具体的公式及字符体现在权利要求中，侧重于从算法的角度对计算过程的细节进行描述；而案例二的权利要求撰写方式，是在理解了算法过程的基础上，对计算过程进行了上位和概括，侧重于从专利的角度对不同参与方输入、输出的数据以及计算过程进行阐释，形成了用于解决技术方案的技术特征。

其次，案例一的背景技术撰写方式，同样大篇幅地沿用了技术交底书中对于现有技术的描述，仅对算法的应用场景一笔带过，侧重于从细节方面和专业角度强调目前算法过程中存在的问题；而案例二的背景技术撰写方式，主要体现了算法的应用场景，并对应提出该应用场景下目前因算法缺陷产生的技术问题。因此，两个相似的方案因撰写方式的不同导致了截然相反的结果。