Live Demo · Autonomous Prosecution Chain

Autonomous Chain: OA → Amendments → Prior-Art Re-Search

The agent responds to the office action, extracts its own amended claims, and immediately runs a prior-art search on them — no human prompt between Step 1 and Steps 2/3. This is what autonomous prosecution execution looks like.

Demo run on 2026-06-19. Results cached — stable, instant.
⚡
No human prompt between Step 1 and Steps 2/3. The office action response agent generates amended claims. Those amended claims are passed directly as disclosure text to the prior-art search agent. The prior-art report reflects the actual risk landscape for the amended claims — not the original ones. Prompt-and-review tools stop at Step 1. ClaimForge continues.
Prior Art Search OA Response — USPTO §103 OA Response — EPO Art. 56 ⚡ Chain — USPTO §103 ⚡ Chain — EPO Art. 56
Step 1 — Input Mitteilung der Prüfungsabteilung + Ansprüche Human: paste OA text
Application
EP 22 710 445.3
Jurisdiction
EPO
Rejection ground
Art. 56
Claims rejected
5
Geparste Ablehnungen
Ground Claims Begründung
Art. 56
135
Ausgangspunkt: D1 offenbart das vollständige FedAvg-Protokoll. Objektive Aufgabe: Hinzufügen von Datenschutzgarantien. D2 löst diese Aufgabe explizit. Die Kombination D1 + D2 ist nahegelegt.
Art. 56
24
Anspruch 2 (dynamische σ-Anpassung): aus D3 nahegelegt. Anspruch 4 (knotenübergreifender Budgetzähler): D2 + D3 kombiniert.
⚡ Agent passes output forward — no human prompt
Step 2 — Respond Änderungsvorschläge + Gegenargumente Fully autonomous
Änderungsvorschläge (Rotdruck)
Änderung Option 1 — Claims 1, 3, 5
Technische Differenzierung: lokaler Sensitivitätsschätzer mit adaptivem σ

Anspruch 1 wird dahingehend geändert, dass der Rauschmaßstab σ durch einen knotenlokal berechneten Sensitivitätsschätzer bestimmt wird, der die empirische Gradientenverteilung auswertet. D2 offenbart ausschließlich einen globalen, festen σ-Parameter — die lokale, datensatzadaptive Bestimmung ist weder in D1 noch D2 offenbart.

✕ Ursprünglicher Wortlaut
Anspruch 1: Verfahren zur datenschutzerhaltenden Optimierung eines maschinellen Lernmodells in einem verteilten System, umfassend: Bereitstellen eines globalen Modells an eine Mehrzahl von Teilnehmerknoten; Durchführen einer lokalen Trainingsiteration auf privaten Lokaldaten; Berechnen eines differentiell privaten Gradientenrauschens gemäß einem Rauschmaßstab σ, der auf einem lokalen Sensitivitätsschätzer basiert; Aggregieren der verrauschten Gradienten mittels gewichteter FedAvg-Aggregation; und Aktualisieren des globalen Modells.
✓ Geänderter Wortlaut
Beschreibungsstütze: Absatz [0042]–[0046]: 'Das Rauschmodul schätzt S_local := (1/B) · Σ ||∇L_i||₂ und setzt σ := α · S_local.'
Trade-off: Anspruch 1 wird enger, hebt sich aber klar von D2 (festem globalem σ) ab.
Änderung Option 1 — Claims 2, 4
Anspruch 2: iterationsweise σ-Anpassung (intra-round) präzisieren

D3 beschreibt eine inter-round Anpassung zwischen Kommunikationsrunden. Anspruch 2 sieht ausdrücklich eine iterationsweise Anpassung innerhalb einer Runde vor — vollständig lokal, ohne Serverkommunikation — basierend auf einem gleitenden Fenster der Gradientenvarianz.

✕ Ursprünglicher Wortlaut
Anspruch 2: Verfahren nach Anspruch 1, wobei der lokale Sensitivitätsschätzer den Rauschmaßstab σ dynamisch in Abhängigkeit von der Varianz der Gradienten über aufeinander folgende lokale Trainingsiterationen anpasst.
✓ Geänderter Wortlaut
Beschreibungsstütze: Absatz [0048]–[0051]: 'Das Rauschmodul verwaltet einen Ringpuffer der Gradientennormen der letzten w = 10 Iterationen.'
Trade-off: Enger, aber eindeutig von D3 abgehoben. Intra-round vs. inter-round ist ein fundamentaler Unterschied.
Gegenargumente
Art. 56 Erwiderung auf Art. 56-Ablehnung der Ansprüche 1, 3, 5 (D1 + D2) ▼
Die Anmelderin widerspricht der Ablehnung der Ansprüche 1, 3 und 5. Korrekte Formulierung der objektiven technischen Aufgabe: D2 verwendet einen global-einheitlichen Clipping-Schwellenwert (Abschnitt 3.2), der vor dem Training einmalig gesetzt wird. Die Unterschiedsmerkmale von Anspruch 1 gegenüber D1+D2 liegen im lokalen, datensatzadaptiven Sensitivitätsschätzer — die knotenindividuelle, auf der empirischen Gradientenverteilung basierende σ-Bestimmung. D2 löst diese Aufgabe nicht: D2 setzt einen zentralisierten, einheitlichen Parameter voraus, was dem nicht-IID-Charakter föderaler Lernszenarien widerspricht. Motivation zur Kombination fehlt: Die Prüfungsabteilung begründet die Kombination nur mit technischer Machbarkeit — nicht mit konkretem Anlass für den Fachmann (T 0795/93). Die Anmelderin beantragt, die Ablehnung der Ansprüche 1, 3 und 5 zurückzunehmen.
Art. 56 Erwiderung auf Art. 56-Ablehnung der Ansprüche 2 und 4 (D1 + D2 + D3) ▼
Zu Anspruch 2: D3 beschreibt inter-round Anpassung (zwischen Kommunikationsrunden). Anspruch 2 (geändert) sieht intra-round, iterationsweise Anpassung innerhalb einer lokalen Trainingsrunde vor — vollständig lokal, ohne Serverkommunikation. Zu Anspruch 4: D3 beschreibt clientseitiges Budget-Tracking. Anspruch 4 sieht serverside, knotenübergreifende Budgetverfolgung vor, die es dem Server erlaubt, Knoten mit überschrittenem Budget selektiv auszuschließen. Nicht in D3 offenbart. Die Anmelderin beantragt, die Ablehnung der Ansprüche 2 und 4 zurückzunehmen.
⚡ Amended claims → prior-art input — no human prompt
Step 3 — Re-Search Neuartigkeitsrecherche auf geänderten Ansprüchen Fully autonomous
Agent-generated disclosure: The OA response agent extracted amended claim text from Step 2. That text is used verbatim as the invention disclosure for this search — no human re-phrasing.
Amended patent claims after EPO office action response: Anspruch 1 (Änderungsvorschlag): Verfahren zur datenschutzerhaltenden Optimierung eines maschinellen Lernmodells in einem verteilten System, umfassend: Bereitstellen eines globalen Modells; Durchführen einer lokalen Trainingsiteration ohne Datenübertragung; Berechnen eines differentiell privaten Gradie…
Candidates: 6
Material: 5
Top References
#1
WO 2022/056432 A1
Adaptive Noise Calibration for Federated Learning with Local Sensitivity Estimation
89
material
▼
Huawei Technologies Co., Ltd. · 2022-03-17 · Source: espacenet
A federated learning framework with client-local noise calibration for differential privacy. Each client estimates the L2 sensitivity of local gradients using an exponential moving average of gradient norms over local training iterations, and scales the Gaussian noise parameter σ proportionally. The system achieves better privacy-utility tradeoff than fixed global σ baselines.
Relevance: Very close to amended Anspruch 1 — local gradient norm estimation to scale σ proportionally, same technical approach. Could be cited as anticipatory or at least strongly obviousness-supporting.
#2
EP 3 979 108 A1
Verfahren zur verteilten Modelloptimierung mit adaptiver Gradientenrauschkalibrierung
86
material
▼
Siemens AG · 2022-04-06 · Source: espacenet
Verteiltes Lernverfahren mit knotenspezifischer Rauschkalibierung. Jeder Teilnehmerknoten schätzt die lokale Gradientensensitivität auf Basis der aktuellen Minibach-Gradienten und passt den Gaußschen Rauschmaßstab proportional an. Das Verfahren verbessert die Modellkonvergenz in non-IID-Szenarien im Vergleich zu globalen DP-SGD-Verfahren.
Relevance: Unmittelbarer Stand der Technik für Anspruch 1 (geändert) — knotenspezifische, minibatch-basierte σ-Schätzung proportional zur Gradientennorm. EPO-Anmeldung, erhöhte Relevanz für EPO-Verfahren.
#3
US 2023/0169369 A1
Intra-Round Adaptive Differential Privacy in Distributed Learning
93
material
▼
Apple Inc. · 2023-06-01 · Source: google_patents
A differential privacy mechanism for federated learning that adjusts noise parameters within a local training round using a sliding window of recent gradient statistics. The noise scale σ is updated after each local gradient step based on the variance of gradients over the most recent w iterations, enabling fine-grained privacy control without server communication.
Relevance: Direct coverage of amended Anspruch 2 — intra-round σ adjustment based on gradient variance over sliding window w, without server communication. Very high anticipation risk for Anspruch 2.
#4
WO 2021/255573 A1
Privacy-Preserving Federated Learning with Client-Adaptive Noise Scaling
80
material
▼
Samsung Electronics Co., Ltd. · 2021-12-23 · Source: espacenet
Federated learning with client-adaptive differential privacy noise scaling based on local data distribution statistics. The method computes per-client sensitivity estimates from gradient norms and uses them to scale noise injection, improving model accuracy in heterogeneous (non-IID) data distributions.
Relevance: Local gradient norm-based noise scaling in non-IID federated setting — relevant to amended Anspruch 1, less specific than Huawei WO 2022/056432.
#5
EP 4 024 245 A1
Serverside Privacy Budget Accounting for Federated Learning Systems
78
material
▼
Fraunhofer-Gesellschaft · 2022-07-06 · Source: espacenet
A server-side privacy budget accounting system for federated learning. The central server maintains per-client privacy budget counters and can exclude clients that have exceeded their (ε, δ) budget from future aggregation rounds. The accounting is performed centrally by a dedicated budget tracker module.
Relevance: Covers Anspruch 4 (serverside knotenübergreifender Budgetzähler) — close match to the 'Datenschutzrechnungsführer' on the central server who tracks per-node budget consumption.
#6
US 10,887,384 B2
Distributed Machine Learning with Gradient Compression
22
marginal
▼
Google LLC · 2021-01-05 · Source: google_patents
A federated learning system with gradient compression to reduce communication overhead. Clients compress local gradients before transmission using quantization and sparsification techniques.
Relevance: Gradient compression in federated learning — unrelated to differential privacy or adaptive noise; marginal relevance only.
Neuartigkeitsbericht auf geänderten Ansprüchen
Chain summary: Autonomous chain complete (EPO). OA agent generated 2 rejection responses. Prior-art re-search on amended claims found 6 candidates (5 material). Critical risk: US 2023/0169369 A1 (Apple) closely covers amended Anspruch 2; WO 2022/056432 A1 (Huawei) covers amended Anspruch 1.

Run this on your own cases

Same autonomous chain on your USPTO and EPO files. Paste your OA, run the chain, get amendments + re-search in one pass — from $99/mo, 14-day trial.

Preise ansehen → Agent direkt testen

Direktkontakt: claimforge@polsia.app