2025-700232

特許第７５４１２１２号発明「情報処理方法、プログラム、記憶媒体および情報処理装置」の特許異議申立事件について、次のとおり決定する。

結 論 特許第７５４１２１２号の請求項１、２、３、４、５、７、８、９、１２、１３、１４、１５に係る特許を維持する。

理 由 第１ 手続の経緯 本願は、２０２３年（令和５年）１１月１日（優先権主張 令和４年１１月４日）を国際出願日とする出願であって、令和６年８月１９日にその特許権の設定登録がされ、同年８月２７日に特許掲載公報が発行された。その後、その特許について、令和７年２月２６日に特許異議申立人小林寛史（以下、「申立人」という。）により特許異議の申立てがなされた。 本件特許異議申立て以後の経緯は、次のとおりである。 令和７年６月１７日 取消理由通知書（起案日） 令和７年８月１３日 意見書の提出 第２ 本件発明 特許第７５４１２１２号の請求項１、２、３、４、５、７、８、９、１２、１３、１４、１５に係る特許に係る発明（以下、それぞれ「本件発明１」、「本件発明２」・・・という。また、これらの発明をまとめて「本件発明」という。）は、それぞれ、その特許請求の範囲の請求項１、２、３、４、５、７、８、９、１２、１３、１４、１５に記載された事項により特定されるものであって、次のとおりのものである。 「【請求項１】 情報処理装置が、ユーザに関する複数の変数を有する第１のデータソースを取得する取得ステップであって、前記複数の変数には前記ユーザの属性情報に関する変数が含まれる、取得ステップと、 前記情報処理装置が、前記第１のデータソースに含まれる前記複数の変数から説明変数および目的変数を選択する選択ステップであって、前記説明変数には、前記属性情報に関する変数と、少なくとも１つの前記属性情報とは異なる変数が含まれており、前記目的変数は複数選択される、選択ステップと、 前記情報処理装置が、前記第１のデータソースを教師データとして、選択された前記説明変数から前記複数の目的変数を予測する予測モデルを作成する、作成ステップと、 前記情報処理装置が、前記予測モデルを、選択された前記説明変数を変数として含む第２のデータソースに適用して、疑似シングルソースデータを生成する、生成ステップと、を有することを特徴とする情報処理方法。 【請求項２】 前記疑似シングルソースデータは、同一の前記ユーザに関する複数の変数を有するシングルソースデータを擬似的に生成したものである ことを特徴とする請求項１に記載の情報処理方法。 【請求項３】 前記生成ステップにおいては、前記情報処理装置が、前記ユーザの個人識別子を含まない前記第２のデータソースを用いて前記疑似シングルソースデータを生成する ことを特徴とする請求項１または２に記載の情報処理方法。 【請求項４】 前記作成ステップにおいては、前記情報処理装置が、選択された複数の前記説明変数と、選択された複数の前記目的変数と、の間の関係性を示す情報を利用して、前記予測モデルを作成し、 前記生成ステップにおいては、前記情報処理装置が、前記予測モデルを前記第２のデータソースに適用して、前記疑似シングルソースデータを生成する ことを特徴とする請求項１または２に記載の情報処理方法。 【請求項５】 前記作成ステップにおいては、前記情報処理装置が、選択された複数の前記説明変数と、選択された複数の前記目的変数と、の間の分散共分散構造を利用して、前記予測モデルを作成し、 前記生成ステップにおいては、前記情報処理装置が、前記予測モデルを前記第２のデータソースに適用して、前記第１のデータソースの分散共分散構造に類似する分散共分散構造を持つ疑似シングルソースデータを生成する ことを特徴とする請求項４に記載の情報処理方法。」 「【請求項７】 前記作成ステップにおいては、前記情報処理装置が、前記選択ステップで前記第１のデータソースから選択された複数の前記変数のうち少なくとも１つの変数に対してノイズを付加したのち、前記予測モデルを作成する ことを特徴とする請求項１または２に記載の情報処理方法。 【請求項８】 前記作成ステップにおいては、前記情報処理装置が、ラプラスメカニズム、ガウシアンメカニズム、または指数メカニズムのいずれかを用いて、前記ノイズを付加する ことを特徴とする請求項７に記載の情報処理方法。 【請求項９】 前記作成ステップにおいては、前記情報処理装置が、前記ユーザに対して差分プライバシーの機能を提供するように、前記第１のデータソースに含まれる前記変数に対して前記ノイズを付加する ことを特徴とする請求項７に記載の情報処理方法。」 「【請求項１２】 情報処理装置が、オブジェクトに関する複数の変数を有する第１のデータソースを取得する取得ステップであって、前記複数の変数には前記オブジェクトの属性情報に関する変数が含まれる、取得ステップと、 前記情報処理装置が、前記第１のデータソースに含まれる前記複数の変数から説明変数および目的変数を選択する選択ステップであって、前記説明変数には、前記属性情報に関する変数と、少なくとも１つの前記属性情報とは異なる変数が含まれており、前記目的変数は複数選択される、選択ステップと、 前記情報処理装置が、前記第１のデータソースを教師データとして、選択された前記説明変数から前記複数の目的変数を予測する予測モデルを作成する、作成ステップと、 前記情報処理装置が、前記予測モデルを、選択された前記説明変数を変数として含む第２のデータソースに適用して、疑似シングルソースデータを生成する、生成ステップと、を有することを特徴とする情報処理方法。 【請求項１３】 請求項１、２、１０、１１および１２のいずれか１項に記載の情報処理方法を情報処理装置に実行させるプログラム。 【請求項１４】 請求項１、２、１０、１１および１２のいずれか１項に記載の情報処理方法を情報処理装置に実行させるプログラムを格納した、前記情報処理装置により読み取り可能な非一時的な記憶媒体。 【請求項１５】 請求項１、２、１０、１１および１２のいずれか１項に記載の情報処理方法を実行する、情報処理装置。」 第３ 令和７年６月１７日付けの取消理由の概要 令和７年６月１７日付けの取消理由の概要は次のとおりである。 「１．（新規性）請求項１～４、１３～１５に係る発明は、本件特許出願前に日本国内又は外国において、頒布された下記の刊行物に記載された発明又は電気通信回線を通じて公衆に利用可能となった発明であって、特許法第２９条第１項第３号に該当するから、請求項１～４、１３～１５に係る特許は、特許法第２９条第１項の規定に違反してされたものである。 ２．（進歩性）請求項１～４、７～９、１２～１５に係る発明は、本件特許出願前に日本国内又は外国において、頒布された下記の引用文献１、２に記載された発明に基いて、本件特許出願前にその発明の属する技術の分野における通常の知識を有する者（以下、「当業者」という。）が容易に発明をすることができたものであるから、請求項１～４、７～９、１２～１５に係る特許は、特許法第２９条第２項の規定に違反してされたものである。 記 （引用文献等については引用文献等一覧参照） ＜引用文献等一覧＞ １．特開２０１５－３５１０１公報（甲第１号証） ２．国際公開第２０１８/１１６３６６号（甲第７号証） ・・・ Ｉ 理由１（新規性）、理由２（進歩性）について ・請求項 １～４ ・引用文献等 １ ・・・ ＩＩ 理由２（進歩性）について ・請求項 ７～９ ・引用文献等 １～２ ・・・ ＩＩＩ 理由１（新規性）、理由２（進歩性）について ・請求項 １３～１５ ・引用文献等 １ ・・・」 第４ 引用文献等について １ 引用文献１について（引用文献１に記載されている事項、引用文献１に記載された発明） （１）引用文献１に記載されている事項 本件特許の優先日（令和４年１１月４日）前である平成２７年２月１９日に出願公開された引用文献１（特開２０１５－３５１０１号公報、甲第１号証）には、次の事項が記載されている。なお、下線は、当審で付与した（以下、同様。）。 「【０００１】 本発明は、汎用的データフュージョンシステム及び汎用的データフュージョン方法に係り、特にメディアプランニングに有用な情報データであって、多くの顧客の要望に個別に対応することが可能でメディアプランニングに有用な汎用的データフュージョンシステム及び汎用的データフュージョン方法に関する。」 「【００２５】 また前記課題は、本発明の汎用的データフュージョンシステムによれば、少なくとも演算部と記憶部と出力部を有したコンピュータ装置によって構成され、基本データからなる基本データベースに追加調査データを融合させる汎用的データフュージョンシステムであって、前記コンピュータ装置の記憶部には、基本データとして全ての調査対象者に調査を行い広告メディアプランニングに有用な情報データとフュージョンキーとなる回答内容データを含んだ基本データベースが格納され、前記コンピュータ装置は、前記基本データベースからランダムに追加調査対象者を抽出する追加調査対象者抽出手段と、該追加調査対象者抽出手段によって抽出された対象者に追加調査を行って回答を得た回答内容データを追加調査データとして追加調査データベースを作成する追加調査データベース作成手段と、前記追加調査対象者抽出手段によって抽出された対象者の前記基本データベースに記憶されたフュージョンキーとなる回答内容データと、前記追加調査対象者抽出手段によって抽出されなかった前記基本データベースに記憶された対象者のフュージョンキーとなる回答内容データをそれぞれパターン化して、前記追加調査データベースの回答内容データごとに、前記フュージョンキーとする項目の回答パターンの関係式を作成する関係式作成手段と、を有し、前記コンピュータ装置の演算部は、前記基本データベースのうち前記追加調査対象者抽出手段によって抽出された対象者に含まれず追加調査を実施していない対象者データに、前記関係式作成手段によって作成された関係式に基づいた回答パターンに合わせて、前記追加調査データベースの回答内容データを仮想追加調査データとし、これを追加調査データとして特定し、追加調査を実施していない対象者データに、追加調査データとして付与し、前記基本データベースの追加調査対象者抽出手段で抽出した対象者と追加調査対象者抽出手段で抽出されない対象者の全てに特定した追加調査データを付与して基本データベースに追加調査データを融合させる、ことにより解決される。」 「【００３７】 本実施形態の汎用的データフュージョンシステムＳは、基本データからなる基本データベースＤＢ１に追加調査データＡＤを融合させ、或いは追加調査データＡＤからなる追加調査データベースＤＢ２を融合させる汎用的データフュージョンシステムであり、このシステムは、コンピュータ装置Ｃによって構成されている。」 「【００３９】 コンピュータ装置Ｃには、図２及び図３で示すように、基本データベースＤＢ１、追加調査データＡＤ、追加調査データＡＤからなる追加調査データベースＤＢ２などのデータ類、基本データベース作成用のアプリケーション（基本データベース作成手段５）、追加調査データベース作成用のアプリケーション（追加調査データベース作成手段７）など市販の公知のデータベース構築用アプリケーション、その他のアプリケーション、追加調査の追加調査対象者抽出手段６、類似度算出手段８、関係式作成手段９、などが備えられており、これらによって、各データベースＤＢ１，ＤＢ２などが構築されるようになっている。なお、上記のアプリケーションは独自に開発したものであってもよい。」 「【００４２】 前述のように、記憶部２０のＨＤＤ２３には、「ＡＣＲ」と称される基本データベースＤＢ１と、追加調査データベースＤＢ２とが格納されている。 ここで示す「ＡＣＲ」とは、１人の人に多くの質問をしてシングルソースパネルデータを構築し、初期取得情報に「フュージョンする際にキーとなるフュージョンキーＦＫとするための設問」（近しい人を近しいと判断するための項目）を設置して全員から取得基本データ（初期取得情報や質問に対する回答内容データ）を含んで基本データベースＤＢ１としたもので、予め１０，０００人に対して初期取得情報を得て、この初期取得情報をデータベース化したものである。具体的には、本実施形態では、１０，０００人（代表性あり）について、初期取得情報を得たものであり、複数の地域で、生活行動及び商品についての総合調査（生活行動・意識についてのアンケート、商品についてのアンケート）で、地域、街の情報、性別、年齢、職業、家族構成、通勤・通学、消費、旅行、ファッション、テレビ・新聞・ラジオ・インターネット・交通機関の利用、その他の日常生活などに関する多くのアンケートや利用記録について、初期取得情報を格納したものである。」 「【００４４】 本実施形態の記憶部２０に格納された基本データベースＤＢ１は、基本データとして全ての調査対象者に調査を行い広告メディアプランニングに有用な情報データとフュージョンキーＦＫとなる回答内容データＡＮを含んでいる。また本実施形態における「フュージョンキーＦＫ」は、基本データには含まれていない追加調査を行って得られた加調査データＡＤを、基本データに追加するときに利用するためのものである。 【００４５】 本実施形態では、基本データを取得する際のフュージョンキーＦＫとする設問は、予め所定のルールに基づいてアンケートによって回答内容が得られるものと、デモグラフィックやサイコグラフィック、メディア関与、商品関与などに関する次述するアンケートなどによって得られる任意のものをそれぞれ選択することが可能である。このとき、上述の各種商品に関する調査（例えば利用有無・利用頻度など）、雑誌についての調査、テレビ・新聞・インターネット及び交通機関の利用の記録、ラジオ聴取の記録などもフュージョンキーＦＫとすることが可能であり、近しい人を近しいと判断するための項目は、フュージョンキーＦＫとする項目を直接利用（例えば性別、年齢など）できるが、本発明においては、既に取得した回答内容データＡＮを用いたデータを利用した項目など多岐にわたって、自由に用いることが可能であり、「サンプル間類似度」として、さまざまな内容を利用ができるように汎用性を持たせることが可能となる。」 「【００５１】 上記のようなアンケート質問に対して調査対象者がアンケート回答用端末２を通じて回答し、その回答内容を示す個別回答内容データＡＮが同端末２から送信されると、コンピュータ装置Ｃが当該データを受信して記憶部２０に記憶する。そして、全調査対象者からアンケートの全質問分の個別回答内容データＡＮを受信した時点で、コンピュータ装置Ｃには図１０に示す回答内容データＡＮが生成されるようになる。図１０は、回答内容データＡＮのデータベースを表形式で表示した構築例を示す図である。」 「【００５３】 すなわち、回答内容データＡＮを含んだ基本データベースＤＢ１は、複数の調査対象者を対象とし、各調査対象者から個人属性、購買、広告接触、ライフスタイル等の多面的情報を採取したデータ、いわゆるシングルソースパネルデータとなっている。なお、本実施形態において、回答内容データＡＮは、コンピュータ装置Ｃに搭載された記憶装置２０（ＨＤＤ２３）に記憶されているが、これに限定されるものではない。つまり、回答内容データＡＮを含む基本データベースＤＢ１を記憶する記憶装置については、コンピュータ装置Ｃとは別に設けられていることとしてもよく、例えば、コンピュータ装置Ｃと通信可能なデータベースサーバに回答内容データＡＮを含む基本データベースＤＢ１の記憶装置として用いることとしてもよい。 【００５４】 （追加調査データベースＤＢ２） 次に、追加調査データベースＤＢ２について説明する。 追加調査データベースＤＢ２は、基本データベースＤＢ１に格納されていないもので、顧客の要望や基本データベースＤＢ１をより広範なものにする必要性などによって、追加質問によって得られた回答内容を基本データベースＤＢ１の対象者全員に対して追加調査を行なったものと同等になるようにして、データベース化したものである。なお本発明において追加調査データベースＤＢ２とは、追加調査データＡＤのそれぞれを記憶した集合だけのものも含まれるものとする。 この追加調査データＡＤの取得は、前述のアンケートで説明したのと同様に追加質問に対する回答内容データＡＮを得ることによって行うものであるが、後述するように、基本データベースＤＢ１の全ての対象者に対して行うものではなく、追加調査対象者抽出手段６によって抽出された対象者によって行うものである。」 「【００５９】 例えば、基本データベースＤＢ１が１０，０００人分のシングルソースパネルデータの場合、１／１０の１，０００人の追加調査対象者を追加調査対象者抽出手段６によって、ランダムに抽出し、ＲＡＭ（或いはＨＤＤ）に記憶する。そして、抽出された追加調査対象者に対して前述のアンケートと同様に、追加調査（追加質問）をアンケート回答用端末２を使って追加調査を行う。得られた追加調査に対する回答内容データＡＮは追加調査データＡＤとして記憶部２０（ＲＡＭ２２或いはＨＤＤ２３など）に一時的に格納するが、これらの追加調査データＡＤ（回答内容データＡＮ）を追加調査対象者の基本データベースＤＢ１と紐付けて、追加調査データベースＤＢ２として作成する。この作成は、前述の基本データベースＤＢ１と同様に行うものである。」 「【００６１】 つまり、演算部１０は、類似度算出手段８によって、追加調査対象者抽出手段６で抽出された追加調査対象者の基本データベースＤＢ１に記憶されたフュージョンキーＦＫとなる回答内容データＡＮを読み出し、記憶部２０（ＲＡＭ２２或いはＨＤＤ２３など）に記憶する。 同時に、類似度算出手段８によって、追加調査対象者抽出手段６で抽出されなかった基本データベースＤＢ１に記憶された対象者のフュージョンキーＦＫとなる回答内容データＡＮを読み出し（抽出し）て、記憶部２０（ＲＡＭ２２或いはＨＤＤ２３など）に記憶する。 次に、演算部１０は、類似度算出手段８によって、追加調査対象者と、追加調査対象者となっていない対象者（以下「非追加調査対象者」と称する。）のそれぞれ記憶された記憶部２０（ＲＡＭ２２或いはＨＤＤ２３など）からフュージョンキーＦＫとなる回答内容データＡＮを、読み出し、それぞれフュージョンキーＦＫとする項目の各データを対比して、回答内容パターンが最も似ている対象者データの回答内容データＡＮを取得する。 【００６２】 そして、追加調査対象者と非追加調査対象者で、フュージョンキーＦＫとする項目の各データから回答内容パターンが最も似ている対象者の追加調査データＡＤを追加調査データベースＤＢ２から抽出し、この最も似ている非追加調査対象者に、最も似ている追加調査対象者の追加調査データＡＤを仮想追加調査（追加調査データＡＤ）として融合させる。 非追加調査対象者の一人に対して、追加調査対象者１～１，０００人の中からフュージョンキーＦＫとする項目の回答パターンが最も似ている人の回答を付与する（９，０００人分実施）、つまり、非回答者が回答者と似ている人の回答を付与するものである。このとき、フュージョンキーＦＫとして、複数項目を相対的に、距離として数値化し、これらの関係から重み付けをするように構成することもできる。 このように、追加調査対象者の全体と、非追加調査対象者の全体とを、フュージョンキーＦＫとする項目の各データから回答内容パターンが最も似ている対象者を一定の群とし、これら群を全体としてマッチングさせて、それぞれ恰も追加調査を行ったように追加調査データＡＤ（仮想追加調査）として特定する。」 「【００６４】 また上記類似度算出手段８の代わりに、関係式作成手段９を用いる例では、追加調査対象者抽出手段６によって抽出された対象者の基本データベースＤＢ１に記憶されたフュージョンキーＦＫとなる回答内容データＡＮと、追加調査対象者抽出手段６によって抽出されなかった基本データベースＤＢ１に記憶された対象者のフュージョンキーＦＫとなる回答内容データＡＮをそれぞれパターン化して、追加調査データベースＤＢ２の回答内容データＡＮごとに、フュージョンキーＦＫとする項目の回答パターンの関係式を作成するように構成すものである。 つまり、追加設問（追加調査）の追Ｑ１、追Ｑ２・・・ごとに、フュージョンキーＦＫとする項目の回答内容データＡＮからの関係式を質問ごとに作成し、非追加調査対象者の回答パターンに応じて該当する回答内容データＡＮを仮想の追加調査データＡＤとして付与するものである。」 「【００７９】 また、関係式の例として、追加設問の追Ｑ１、追Ｑ２・・・ごと、フュージョンキーＦＫとする項目の回答からの関係式を作成、非対象者の回答パターンに応じて該当する回答を付与する場合について説明する。 【００８０】 例えば、「ビールの新ブランド利用有無」についての回答を推計する場合、ステップＳ４－２１で追加設問の回答を推計するにあたり、基本データベースＤＢ１のどの項目群を用いると精度が高くなるかを検討する。 【００８１】 本例では、「ビールの新ブランド利用有無」であるので、ステップＳ４－２２で、基本データベースＤＢ１においてビールに関する設問（利用有無、利用頻度など）を用いると推計精度が高くなることを推測し項目を決定する。 【００８２】 次に、ステップＳ４－２３で、上記で決定した基本データベースＤＢ１の項目群を説明変数、追加設問を目的変数として、重回帰分析などの手法を用いて予測式を作成する。このとき、追加調査を実施した追加調査対象者１，０００人分のデータを用いて作成する。 なお、予測する方法は重回帰分析だけとは限らない。」 「【００８４】 ステップＳ４－２５では、予測式に、非追加対象者の基本データベースＤＢ１の回答を代入する。ステップＳ４－２６では、ステップＳ４－２５の処理の後で追加調査の回答を推計する。このようにしてステップＳ４－２１からステップＳ４－２６を実行した後、ステップＳ４－２７で追加設問があるかどうか判断する。追加設問がある場合（ステップＳ４－２７：Ｙｅｓ）、ステップＳ４－２５に戻り、追加設問個数分繰り返す。 【００８５】 そして、ステップＳ４－１からステップＳ４－２７の処理は、追加設問ごとに予測式を作成して行うもので、例えば追加設問が１０あれば、１０の予測式を作成して行うものである。 【００８６】 コンピュータ装置Ｃの演算部１０は、基本データベースＤＢ１のうち追加調査対象者抽出手段６によって抽出された対象者に含まれず追加調査を実施していない対象者（非追加調査対象者）のデータの各々に、類似度算出手段８によって算出された追加調査データベースＤＢ２の回答内容データＡＮを仮想追加調査データとし、これを追加調査データＡＤとして特定し、追加調査を実施していない対象者データの各々に、追加調査データＡＤとして付与し、基本データベースＤＢ１の追加調査対象者抽出手段６で抽出した対象者と追加調査対象者抽出手段で抽出されない対象者（非追加調査対象者）の全てに特定した追加調査データＡＤを付与して基本データベースＤＢ１に追加調査データＡＤを融合させる。」 なお、上記【００８６】の「基本データベースＤＢ１の追加調査対象者抽出手段６で抽出した対象者」は「追加調査対象者」であることは明らかである。 （２）引用文献１に記載された発明 上記（１）の記載から、引用文献１には、次の発明（以下、「引用発明１」という。）が記載されているといえる。 「 基本データからなる基本データベースＤＢ１に追加調査データＡＤを融合させ、或いは追加調査データＡＤからなる追加調査データベースＤＢ２を融合させる汎用的データフュージョンシステムを構成するコンピュータ装置Ｃによって実行される方法であって（【００３７】）、 コンピュータ装置Ｃには、基本データベースＤＢ１、追加調査データベースＤＢ２が備えられており（【００３９】）、 基本データベースＤＢ１は、初期取得情報に「フュージョンする際にキーとなるフュージョンキーＦＫとするための設問」（近しい人を近しいと判断するための項目）を設置して全員から取得基本データ（初期取得情報や質問に対する回答内容データ）を含んで予め１０，０００人に対して初期取得情報を得て、この初期取得情報をデータベース化したものであって、 １０，０００人（代表性あり）は、地域、街の情報、性別、年齢、職業、家族構成、通勤・通学、消費、旅行、ファッション、テレビ・新聞・ラジオ・インターネット・交通機関の利用、その他の日常生活などに関する多くのアンケートや利用記録について、初期取得情報を格納したものであり（【００４２】）、 基本データを取得する際のフュージョンキーＦＫとする設問は、予め所定のルールに基づいてアンケートによって回答内容が得られるものと、デモグラフィックやサイコグラフィック、メディア関与、商品関与などに関するアンケートなどによって得られる任意のものをそれぞれ選択することが可能であり、各種商品に関する調査（例えば利用有無・利用頻度など）、雑誌についての調査、テレビ・新聞・インターネット及び交通機関の利用の記録、ラジオ聴取の記録などもフュージョンキーＦＫとすることが可能であり、近しい人を近しいと判断するための項目は、フュージョンキーＦＫとする項目を直接利用（例えば性別、年齢など）でき（【００４５】）、 アンケート質問に対して調査対象者がアンケート回答用端末２を通じて回答し、その回答内容を示す個別回答内容データＡＮが同端末２から送信されると、コンピュータ装置Ｃが当該データを受信し（【００５１】）、 回答内容データＡＮを含んだ基本データベースＤＢ１は、複数の調査対象者を対象とし、各調査対象者から個人属性、購買、広告接触、ライフスタイル等の多面的情報を採取したシングルソースパネルデータとなっており（【００５３】）、 追加調査データベースＤＢ２は、基本データベースＤＢ１に格納されていないもので、顧客の要望や基本データベースＤＢ１をより広範なものにする必要性などによって、追加質問によって得られた回答内容を基本データベースＤＢ１の対象者全員に対して追加調査を行なったものと同等になるようにして、データベース化したものであり（【００５４】）、 基本データベースＤＢ１が１０，０００人分のシングルソースパネルデータの場合、１／１０の１，０００人の追加調査対象者をランダムに抽出し、抽出された追加調査対象者に対して前述のアンケートと同様に、アンケート回答用端末２を使って追加調査（追加質問）を行い、追加調査データＡＤを追加調査対象者の基本データベースＤＢ１と紐付けて、追加調査データベースＤＢ２として作成し（【００５９】）、 追加設問の追Ｑ１、追Ｑ２・・・ごと、フュージョンキーＦＫとする項目の回答からの関係式を作成、非対象者の回答パターンに応じて該当する回答を付与する場合であって（【００７９】）、「ビールの新ブランド利用有無」についての回答を推計する場合（【００８０】）、基本データベースＤＢ１においてビールに関する設問を用いると推計精度が高くなることを推測し項目を決定し（【００８１】）、追加調査を実施した追加調査対象者１，０００人分のデータを用いて、決定した基本データベースＤＢ１の項目群を説明変数、追加設問を目的変数として、重回帰分析などの手法を用いて予測式を作成し（【００８２】）、 予測式に、非追加対象者の基本データベースＤＢ１の回答を代入し、追加調査の回答を推計し、追加設問ごとに予測式を作成して行うもので、追加設問が１０あれば、１０の予測式を作成して行い（【００８４】、【００８５】）、 コンピュータ装置Ｃは、非追加調査対象者のデータの各々に、追加調査データベースＤＢ２の回答内容データＡＮを仮想追加調査データとし、これを追加調査データＡＤとして特定し、追加調査を実施していない対象者データの各々に、追加調査データＡＤとして付与し、追加調査対象者と非追加調査対象者の全てに特定した追加調査データＡＤを付与して基本データベースＤＢ１に追加調査データＡＤを融合させる（【００８６】）、 汎用的データフュージョン方法。」 ２ 引用文献２について（引用文献２に記載されている事項） 本件特許の出願優先日（令和４年１１月４日）前である２０１８年（平成３０年）６月２８日に国際公開された引用文献２（国際公開第２０１８／１１６３６６号、甲第７号証）には、次の事項が記載されている。 「[0003] このようなプライバシー情報の必要以上な漏洩を回避する技術として、データに乱数を加える技術がよく知られている（例えば、非特許文献１、非特許文献２）。 例えば、元データにガウス分布などから生成された乱数を単純に加えることで、元データと異なるデータへ変換してプライバシーを保護する方法がある。このように元データに乱数を単純に加えてプライバシーを保護する技術は、近年提案された「差分プライバシー」と呼ばれる、プライバシーレベルを定量的に評価できるフレームワークと密接な関係があることが知られている。このため、乱数を元データに追加する手法が再び脚光を浴びている。 [0004] 差分プライバシーを満たすプライバシー保護技術によれば、データベース中の個人データに関してどのような背景知識があっても統計値から個々の値を推測することが困難である。また、差分プライバシーを満たすプライバシー保護技術によれば、データベース全体に対する統計的分析が可能である。」 「[0016] ・・・ 以下では、データ生成装置２００は、図１に不図示のすべての家電機器の消費電力量の集約値である電力使用量データと、その電力使用量が生成された時刻が含まれる機器データ（Ｄ）を生成するものとする。」 「[0039] ・・・本実施の形態では、電力使用量データを「Ｐ」、その生成した時刻データを「ＴＩＭＥ」と示し、また機器データ（Ｄ）をＤ＝（Ｐ，ＴＩＭＥ）と示す。」 「[0053] 乱数生成部４０４は、例えば、以下の確率密度関数を持つ、期待値＝０、分散＝２Ｒ２のラプラス分布ＬＡＰに従って乱数を生成する。 ＬＡＰ（ｘ｜Ｒ）＝（１／（２Ｒ））×（ＥＸＰ（－｜ｘ｜／Ｒ） ただし、ＥＸＰ（ｙ）は自然対数ｅのｙ乗を意味する。 このとき、乱数生成部４０４は、オペレータが決めた、もしくはシステムで予め決められたプライバシーレベルを表すパラメーターεと、対象機器リスト（Ｌ）に含まれる家電機器うち取り得る最大の消費電力量の中で一番大きな消費電力量（Ｅ）に対して、シード（Ｓ）の一要素ＳＩを用いて、乱数ＲＩをＬＡＰ（ｘ｜Ｅ／ε）に従って生成する。ただし、Ｉは１以上かつＫ以下の整数である。このように、乱数生成部４０４は、シード（Ｓ＝（Ｓ１，…，ＳＫ））を用いて、各（Ｄ，Ｂ，Ｌ）に対して、乱数（Ｒ＝（Ｒ１，…，ＲＫ））を生成する。つまり、乱数生成部４０４は、１つの秘匿化対象の電力使用量データに対して複数の乱数を生成する。 なお、プライバシーレベルを表すパラメーターεは実数値である。パラメーターεは０に近い程プライバシーレベルが上がる。また、パラメーターεは０に近い程大きな乱数が生成される。オペレータは、データ分析装置５００において分析データ（Ａ）の分析ができるようにするためにパラメーターεを調節する必要がある。例えば、分析内容に応じてパラメーターεを事前に学習することで、パラメーターεの最適値を算出することができる。 [0054] また、乱数生成部４０４は、上記のようなラプラス分布ではなく、よく知られた期待値＝μ、分散＝σ２の正規分布Ｎ（μ，σ２）に従って乱数を生成してもよい。 正規分布Ｎ（μ，σ２）に従って乱数を生成する場合は、乱数生成部４０４は、オペレータが決めた、もしくはシステムで予め決められたプライバシーレベルを表すパラメーター（ε，δ）と、対象機器リスト（Ｌ）に含まれる家電機器うち取り得る最大の消費電力量の中で一番大きな消費電力量（Ｅ）に対して、まず以下のσを計算する。 σ＝（Ｅ／ε）×（２×ＬＯＧ（１．２５／δ））１／２ ただし、ＬＯＧ（ｙ）は自然対数ｅを底としたｙの対数を意味する。 その後、乱数生成部４０４は、シード（Ｓ）の一要素ＳＩを用いて、乱数ＲＩをＮ（０，σ２）に従って生成する。ただし、Ｉは１以上かつＫ以下の整数である。このように、シード（Ｓ＝（Ｓ１，…，ＳＫ））を用いて、乱数（Ｒ＝（Ｒ１，…，ＲＫ））を生成する。つまり、乱数生成部４０４は、１つの秘匿化対象の電力使用量データに対して複数の乱数を生成する。 ラプラス分布の場合と同様に、プライバシーレベルを表すパラメーターεとパラメーターδはそれぞれ実数値である。パラメーターεとパラメーターδは０に近いほどプライバシーレベルが上がる。パラメーターεとパラメーターδは０に近い程大きな乱数が生成される。オペレータは、データ分析装置５００において分析データ（Ａ）の分析ができるようにするためにパラメーターεとパラメーターδを調節する必要がある。例えば、分析内容に応じてパラメーターεとパラメーターδを事前に学習することで、パラメーターεの最適値を算出することができる。 [0055] 上記の例では、ラプラス分布や正規分布を用いた乱数の生成方法について述べたが、差分プライバシー技術でも用いられる指数分布や、その他の様々な分布を用いて、プライバシーレベルを表すパラメーター（ε，δ）に依存して乱数を生成する方法を用いてもよい。更に、本実施の形態で用いる乱数の生成には、シード（Ｓ）がわかれば生成した乱数（Ｒ）を復元できるような乱数生成技術を用いる。例えば、シード（Ｓ＝（Ｓ１，…，ＳＫ））を用いて、ある機器データ（Ｄ＝（Ｐ，ＴＩＭＥ））に対して乱数（Ｒ＝（Ｒ１，…，ＲＫ））を生成する場合、シード（Ｓ）と時刻データ（ＴＩＭＥ）から一意的に（すなわち、確定的に）ラプラス分布または正規分布などに従った乱数（Ｒ）を生成できるものとする。より詳細には、入力に対して確定的に乱数を出力する関数Ｆを用いて、Ｒ１＝Ｆ（Ｓ１，ＴＩＭＥ），…，ＲＫ＝Ｆ（ＳＫ，ＴＩＭＥ）として乱数（Ｒ）を生成できる乱数生成技術を利用する。 [0056] データ攪乱部４０５は、受信部４０１により受信された機器データ（Ｄ）に、乱数生成部４０４により生成された乱数（Ｒ＝（Ｒ１，…，ＲＫ））を付与して分析データ（Ａ）を生成する。つまり、データ攪乱部４０５は、機器データ（Ｄ）の電力使用量データ（Ｐ）から保護対象機器リスト（Ｌ）に示される保護対象機器の消費電力量や稼働履歴を隠すために、複数の乱数を用いて秘匿化する。 具体的には、データ攪乱部４０５は、機器データ（Ｄ＝（Ｐ，ＴＩＭＥ））に対して、電力使用量データ（Ｐ）に複数の乱数を加算して保護対象機器の電力使用量データを秘匿化する。例えば、保護対象機器の電力使用量データの値が１００であり、生成された乱数が１１、３２、６５（Ｋ＝３）である場合は、データ攪乱部４０５は、１００＋１１＋３２＋６５＝２０８を得る。 このように、データ攪乱部４０５は、Ｃ＝Ｐ＋Ｒ１＋…＋ＲＫとして、電力使用量データ（Ｐ）を秘匿化して秘匿化後の電力使用量データ（Ｃ）を生成し、分析データ（Ａ＝（Ｃ，ＴＩＭＥ））を生成する。・・・」 第５ 当審の判断 １ 本件発明１について （１）本件発明１と引用発明１との対比 ア 本件発明１の「情報処理装置が、ユーザに関する複数の変数を有する第１のデータソースを取得する取得ステップであって、前記複数の変数には前記ユーザの属性情報に関する変数が含まれる、取得ステップと、」について （ア）引用発明１の「コンピュータ装置Ｃ」は、本件発明１の「情報処理装置」に相当する。 （イ）引用発明１において、「基本データベースＤＢ１」は、「予め１０，０００人に対して初期取得情報を得て、この初期取得情報をデータベース化したもの」である。そして、「１０，０００人（代表性あり）は、地域、街の情報、性別、年齢、職業、家族構成、通勤・通学、消費、旅行、ファッション、テレビ・新聞・ラジオ・インターネット・交通機関の利用、その他の日常生活などに関する多くのアンケートや利用記録について、初期取得情報を格納したもの」である。 また、引用発明１は、「基本データベースＤＢ１が１０，０００人分のシングルソースパネルデータの場合、１／１０の１，０００人の追加調査対象者をランダムに抽出し、抽出された追加調査対象者に対して前述のアンケートと同様に、アンケート回答用端末２を使って追加調査（追加質問）」を行い、「追加調査データＡＤを追加調査対象者の基本データベースＤＢ１と紐付けて、追加調査データベースＤＢ２として作成」し、「追加調査を実施した追加調査対象者１，０００人分のデータを用いて、決定した基本データベースＤＢ１の項目群を説明変数、追加設問を目的変数として、重回帰分析などの手法を用いて予測式を作成」するものである。 （ウ）引用発明１は、上記（イ）のとおり、「追加調査データＡＤを追加調査対象者の基本データベースＤＢ１」と紐付けて、追加調査データベースＤＢ２として作成」するものであるから、引用発明１の「追加調査対象者」を含む「調査対象者」は、本願発明１の「ユーザ」に相当し、引用発明１のＤＢ１の項目とＤＢ２の項目は、いずれも、ユーザである追加調査対象者に応じて変化する複数の値を示すものであるから、本願発明１の「ユーザに関する複数の変数」に相当する。 （エ）そして、引用発明１では、上記（イ）のとおり、追加調査を実施した追加調査対象者１，０００人分のデータを用いて、決定した基本データベースＤＢ１の項目群を説明変数、追加設問を目的変数として、重回帰分析などの手法を用いて予測式を作成するところ、引用発明１の「追加調査対象者１，０００人分のデータ」は、ＤＢ２の追加調査対象者のデータとＤＢ１のうち追加調査対象者について紐付けられたデータを併せたものであるから、引用発明１の「追加調査対象者１，０００人分のデータ」は、本件発明１の「ユーザに関する複数の変数を有する第１のデータソース」に相当する。 （オ）以上のとおりであるから、引用発明１の、コンピュータ装置Ｃの、１，０００人分の基本データベースＤＢ１と追加調査データベースＤＢ２のデータを取得することは、本件発明１の「情報処理装置が、ユーザに関する複数の変数を有する第１のデータソースを取得する取得ステップであって、前記複数の変数には前記ユーザの属性情報に関する変数が含まれる、取得ステップ」に相当する。 イ 本件発明１の「前記情報処理装置が、前記第１のデータソースに含まれる前記複数の変数から説明変数および目的変数を選択する選択ステップであって、前記説明変数には、前記属性情報に関する変数と、少なくとも１つの前記属性情報とは異なる変数が含まれており、前記目的変数は複数選択される、選択ステップと、」について （ア）引用発明１は、「追加調査を実施した追加調査対象者１，０００人分のデータを用いて、決定した基本データベースＤＢ１の項目群を説明変数、追加設問を目的変数として、重回帰分析などの手法を用いて予測式を作成」するものである。 （イ）引用発明１の「追加調査対象者１，０００人分のデータ」は、上記ア（イ）のとおり、本件発明１の「ユーザに関する複数の変数を有する第１のデータソース」に相当し、引用発明１の「追加調査対象者１，０００人分のデータを用いて、決定した基本データベースＤＢ１の項目群」の「説明変数」は、本件発明１の「前記第１のデータソースに含まれる前記複数の変数」の「説明変数」に相当し、引用発明１の「追加設問」の「目的変数」は、本件発明１の「前記第１のデータソースに含まれる前記複数の変数」の「目的変数」に相当する。 （ウ）また、引用発明１は、「追加設問の追Ｑ１、追Ｑ２・・・ごと、フュージョンキーＦＫとする項目の回答からの関係式を作成」するものであって、「フュージョンキーＦＫとする項目」は、「「ビールの新ブランド利用有無」についての回答を推計する場合」、「基本データベースＤＢ１においてビールに関する設問を用いると推計精度が高くなることを推測し項目を決定」することから、「追Ｑ１」、「追Ｑ２」ごとに特定されるものである。なお、引用発明１の「関係式」は、上記（ア）の「予測式」のことであることは明らかである。 （エ）そうすると、引用発明１の「追加設問の追Ｑ１、追Ｑ２・・・ごと」の「フュージョンキーＦＫとする項目」は、「予測式」を作成するために用いられる、「追加調査対象者１，０００人分のデータを用いて、決定した基本データベースＤＢ１の項目群」に対応するものであって、本件発明１の「説明変数」といえ、この説明変数に対応する引用発明１のそれぞれの「追加設問」は、本件発明１の「目的変数」といえることから、引用発明１において、これらの説明変数及び目的変数と特定することは、「前記説明変数には、前記属性情報に関する変数と、少なくとも１つの前記属性情報とは異なる変数が含まれて」いるか定かではなく、追加設問が、次のウ（ウ）で述べるとおり、追加設問と予測式とは一対一の関係である点で相違するものの、本件発明１の「選択ステップ」と、「前記情報処理装置が、前記第１のデータソースに含まれる前記複数の変数から説明変数および目的変数を選択する選択ステップ」である点で共通する。 ウ 本件発明１の「前記情報処理装置が、前記第１のデータソースを教師データとして、選択された前記説明変数から前記複数の目的変数を予測する予測モデルを作成する、作成ステップと、」について （ア）上記イ（エ）を踏まえれば、引用発明１の「追加調査対象者１，０００人分のデータを用いて、決定した基本データベースＤＢ１の項目群」及び「追加設問」の項目で特定されるデータの対は、本件発明１の「教師データ」に相当する。 （イ）また、上記ア（ウ）のとおり、引用発明１の上記「１，０００人のデータ」は、本件発明１の「ユーザに関する複数の変数を有する第１のデータソース」に相当することから、引用発明１の「追加調査を実施した追加調査対象者１，０００人分のデータを用いて、決定した基本データベースＤＢ１の項目群を説明変数、追加設問を目的変数として、重回帰分析などの手法を用いて予測式を作成」することにおける「重回帰分析などの手法」を用いた「予測式」は、本件発明１の「予測モデル」に相当する。 そうすると、引用発明１の「追加調査を実施した追加調査対象者１，０００人分のデータを用いて、決定した基本データベースＤＢ１の項目群を説明変数、追加設問を目的変数として、重回帰分析などの手法を用いて予測式を作成」することは、本件発明１の「前記第１のデータソースを教師データとして」、「前記説明変数から前記複数の目的変数を予測する予測モデルを作成する」ことに相当する。 （ウ）さらに、引用発明１の「追加設問ごと」に予測式を作成して行うもので、「追加設問が１０あれば、１０の予測式を作成」することは、追加設問と予測式とは一対一の関係になるように予測式を作成している点で相違するものの、本件発明１の「選択された前記説明変数から前記複数の目的変数を予測する予測モデルを作成する」ことと、「選択された前記説明変数から前記目的変数を予測する予測モデルを作成する」との点で共通する。 （エ）そうすると、引用発明１の「追加調査を実施した追加調査対象者１，０００人分のデータを用いて、決定した基本データベースＤＢ１の項目群を説明変数、追加設問を目的変数として、重回帰分析などの手法を用いて予測式を作成」し、「追加設問ごとに予測式を作成して行うもので、追加設問が１０あれば、１０の予測式を作成」することは、コンピュータ装置Ｃが実行することから、本件発明１の「前記情報処理装置が、前記第１のデータソースを教師データとして、選択された前記説明変数から前記複数の目的変数を予測する予測モデルを作成する、作成ステップ」と、「前記情報処理装置が、前記第１のデータソースを教師データとして、選択された前記説明変数から前記目的変数を予測する予測モデルを作成する、作成ステップ」との点で共通する。 エ 本件発明１の「前記情報処理装置が、前記予測モデルを、選択された前記説明変数を変数として含む第２のデータソースに適用して、疑似シングルソースデータを生成する、生成ステップと、」について （ア）引用発明１の「予測式に、非追加対象者の基本データベースＤＢ１の回答を代入し、追加調査の回答を推計」ときの「非追加対象者の基本データベースＤＢ１」の「回答」は、本件発明１の「第２のデータソース」に相当する。 そして、引用発明１の予測式に代入される非追加調査対象者のデータに対応する項目は、予測式に代入するものであるから、本件発明１の「選択された説明変数」といえる。 （イ）引用発明１の「非追加調査対象者のデータ」は、「基本データベースＤＢ１」の「１０，０００人分のシングルソースパネルデータ」のうちの追加調査対象者のデータを除いたものであって、この「非追加調査対象者のデータ」について仮想追加調査データを追加調査データＡＤとして融合された基本データソースＤＢ１のデータは、本件発明１の「疑似シングルソースデータ」に相当する。 （ウ）そうすると、引用発明１の「予測式に、非追加対象者の基本データベースＤＢ１の回答を代入し、追加調査の回答を推計」するものであって、「コンピュータ装置Ｃは、非追加調査対象者のデータの各々に、追加調査データベースＤＢ２の回答内容データＡＮを仮想追加調査データとし、これを追加調査データＡＤとして特定し、追加調査を実施していない対象者データの各々に、追加調査データＡＤとして付与し、追加調査対象者と非追加調査対象者の全てに特定した追加調査データＡＤを付与して基本データベースＤＢ１に追加調査データＡＤを融合させる」ことは、本件発明１の「前記情報処理装置が、前記予測モデルを、選択された前記説明変数を変数として含む第２のデータソースに適用して、疑似シングルソースデータを生成する、生成ステップ」に相当する。 オ 本件発明１の「情報処理方法」について 引用発明１の「汎用的データフュージョン方法」は、コンピュータ装置Ｃが上記ア～エの処理を実行する点で、後述する相違点は別にして、本件発明１の「情報処理方法」に相当する。 カ 一致点及び相違点について 上記ア～オのとおりであるから、本件発明１と引用発明１との一致点及び相違点は、次のとおりである。 ＜一致点＞ 情報処理装置が、ユーザに関する複数の変数を有する第１のデータソースを取得する取得ステップであって、前記複数の変数には前記ユーザの属性情報に関する変数が含まれる、取得ステップと、 前記情報処理装置が、前記第１のデータソースに含まれる前記複数の変数から説明変数および目的変数を選択する選択ステップと、 前記情報処理装置が、前記第１のデータソースを教師データとして、選択された前記説明変数から前記目的変数を予測する予測モデルを作成する、作成ステップと、 前記情報処理装置が、前記予測モデルを、選択された前記説明変数を変数として含む第２のデータソースに適用して、疑似シングルソースデータを生成する、生成ステップと、 を有する情報処理方法。 ＜相違点＞ （相違点１） 本件発明１は、「選択ステップ」において、「前記目的変数は複数選択される」ものであって、「作成ステップ」において、「前記複数の目的変数を予測する予測モデルを作成する」ものであるのに対して、引用発明１は、「追加設問の追Ｑ１、追Ｑ２・・・ごと」の「フュージョンキーＦＫとする項目」は、「予測式」を作成するために用いられ、「追加設問ごと」に予測式を作成するものの、「追加設問」と「予測式」とは一対一の関係であることから、追加設問を「複数」選択するものではなく、「複数の」追加設問を目的変数としたモデルを作成するものではない点。 （相違点２） 本件発明１は、「前記説明変数には、前記属性情報に関する変数と、少なくとも１つの前記属性情報とは異なる変数が含まれて」いるのに対して、引用発明１は、そのような構成になっているか定かではない点。 （２）新規性（特許法第２９条第１項第３号）について 上記のとおり、本件発明１と引用発明１との間には、相違点１、２があり、少なくとも相違点１は、実質的な相違点である。 よって、本件発明１の発明特定事項と引用発明１の発明特定事項との間に差異があることから、本件発明１は引用発明１でない。 （３）相違点の判断（進歩性（特許法第２９条第２項）について） ア 相違点１の判断 引用発明１は「予測式に、非追加対象者の基本データベースＤＢ１の回答を代入し、追加調査の回答を推計し、追加設問ごとに予測式を作成して行うもので、追加設問が１０あれば、１０の予測式を作成して行」うものであって、引用文献１には、１０個の予測式を束ねて１つの予測式にすることは、記載も示唆もされていない。そのため、引用発明１において、１０個の予測式を束ねて１つの予測式することで複数の目的変数を出力する構成としようとする動機付けはない。 したがって、上記相違点１の構成は、引用発明１に基づいて、当業者が容易に想到することができたものではない。 また、引用文献２には、上記「第４」の２のとおり、周知の、データに乱数を加える技術である「差分プライバシー技術」が記載されているものの、「選択ステップ」において、「前記目的変数は複数選択される」ものであり、「作成ステップ」において、「前記複数の目的変数を予測する予測モデルを作成する」ことは記載も示唆もされていないことから、引用発明１に引用文献２に記載されている事項を適用したとしても、上記相違点１の構成に至らないことは明らかである。 なお、引用文献２に記載された事項が主引用発明とならないことは明らかである。 したがって上記相違点１の構成は、引用発明１及び引用文献２に記載された事項に基づいて、当業者が容易に想到することができたものではない。 イ 相違点２の判断 引用発明１は、「追加設問の追Ｑ１、追Ｑ２・・・ごと、フュージョンキーＦＫとする項目の回答からの関係式を作成」することができる。そして、引用発明１は、「近しい人を近しいと判断するための項目は、フュージョンキーＦＫとする項目を直接利用（例えば性別、年齢など）でき」、また、「ビールの新ブランド利用有無」についての回答を推計する場合（【００８０】）、基本データベースＤＢ１においてビールに関する設問を用いる」ことができるものであって、引用発明１の「性別、年齢など」、「ビールに関する設問」の項目は、それぞれ、本件発明１の「属性情報」、「少なくとも１つの前記属性情報とは異なる変数」に相当する。 そうすると、上記相違点２は、文言上の差違にすぎない。 仮に、相違点２が実質的な相違点であるとしても、引用発明１において、関係式である予測式への入力である説明変数として、「少なくとも１つの前記属性情報とは異なる変数が含まれ」る構成とすることは、当業者が容易に想到することができたものである。 ウ 効果について 本件発明１は、相違点１の構成を採用することで、「精度良く擬似的なシングルソースデータを生成する」（本件特許明細書【００１５】）との格別顕著な作用効果を奏するものである。 （４）本件発明１についての小括 よって、本件発明１は、引用発明１でない（新規性）。また、本件発明１は、引用発明１に基づいて、当業者が容易に発明をすることができたものではなく、引用発明１及び引用文献２に記載された事項に基づいて、当業者が容易に発明をすることができたものでもない（進歩性）。 ２ 本件発明２～５、７～９について 本件発明２～５、７～９は、本件発明１を直接的又は間接的に引用する発明である。そのため、本件発明２～５、７～９は、「選択ステップ」において、「前記目的変数は複数選択される」こと、及び、「作成ステップ」において、「前記複数の目的変数を予測する予測モデルを作成する」ことを発明特定事項に含むものである。 したがって、本件発明２～５、７～９と、引用発明１との間には、上記１（１）カのとおりの相違点１、２が存在する。 そして、本件発明２～４の新規性については、上記１（２）のとおり、少なくとも相違点１は実質的な相違点であるから、本件発明２～４の発明特定事項と引用発明１の発明特定事項との間に差異はあり、本件発明２～５、７～９の進歩性については、上記１（３）アのとおり、相違点１の構成は、引用発明１に基づいて当業者が容易に想到することができたものではなく、引用発明１及び引用文献２に記載された事項に基づいて、当業者が容易に想到することができたものでもない。 よって、本件発明２～４は、引用発明１でない（新規性）。また、本件発明２～５、７～９は、引用発明１に基づいて、当業者が容易に発明をすることができたものではなく、引用発明１及び引用文献２に記載された事項に基づいて、当業者が容易に発明をすることができたものでもない（進歩性）。 ３ 本件発明１２について 「情報処理方法」の発明である、本件発明１と本件発明１２と比較すると、本件発明１は、「ユーザに関する複数の変数を有する第１のデータソース」であるのに対して、本件発明１２は「オブジェクトに関する複数の変数を有する第１のデータソース」である点でのみ相違する。 そうすると、本件発明１２と引用発明１との対比は、実質的に上記１（１）ア～オのとおりであって、本件発明１２と引用発明１との間には、１（１）カの相違点１、２に加えて、次の相違点３がある。 すなわち、本件発明１２は、「複数の変数を有する第１のデータソース」は「オブジェクト」に関するものであるのに対して、引用発明１の「当該１，０００人のデータ」であって、「オブジェクト」に関するものではない点で相違する（相違点３）。 相違点について検討すると、相違点１については、上記１（３）アのとおり、引用発明１に基づいて、当業者が容易に想到することができたものではなく、引用発明１及び引用文献２に記載された事項に基づいて、当業者が容易に想到することができたものでもない。 相違点３については、引用発明１は「汎用的データフュージョン方法」であることから、対象をユーザに代えて「オブジェクト」として、相違点２の構成とすることは、当業者が容易に想到することができたものである。 よって、本件発明１２は、引用発明１に基づいて、当業者が容易に発明をすることができたものではなく、引用発明１及び引用文献２に記載された事項に基づいて、当業者が容易に発明をすることができたものでもない。 ４ 本件発明１３～１５について 本件発明１３は、本件発明１又は１２を引用する「情報処理方法を情報処理装置に実行させるプログラム」の発明であり、本件発明１４は、本件発明１又は１２を引用する「情報処理方法を情報処理装置に実行させるプログラムを格納した、前記情報処理装置により読み取り可能な非一時的な記憶媒体」の発明であり、本件発明１５は、本件発明１又は１２を引用する「情報処理方法を実行する、情報処理装置」の発明である。 そうすると、本件発明１、１２については、それぞれ、上記１、３で検討したとおりであるから、本件発明１３～１５は、引用文献１に記載された発明ではない（新規性）。また、本件発明１３～１５は、引用文献１に記載された発明に基づいて、当業者が容易に発明をすることができたものではなく、引用文献１に記載された発明及び引用文献２に記載された事項に基づいて、当業者が容易に発明をすることができたものでもない（進歩性）。 第６ 取消理由通知で採用しなかった申立理由について １ 申立理由の概要 取消理由通知で採用しなかった申立人が主張する申し立て理由の概要は、次のとおりである。 理由Ａ．（進歩性）請求項１～４、７～９、１２～１５に係る発明は、本件特許出願前に日本国内又は外国において、頒布された甲第１号証、甲第２号証に記載された発明に基いて、本件特許出願前にその発明の属する技術の分野における通常の知識を有する者が容易に発明をすることができたものであるから、請求項１～４、７～９、１２～１５に係る特許は、特許法第２９条第２項の規定に違反してされたものである。 理由Ｂ．（進歩性）請求項４、５、７～９、１２に係る発明は、本件特許出願前に日本国内又は外国において、頒布された甲第１号証、甲第２号証、甲第３～９号証に記載された発明に基いて、本件特許出願前にその発明の属する技術の分野における通常の知識を有する者が容易に発明をすることができたものであるから、請求項４、５、７～９、１２に係る特許は、特許法第２９条第２項の規定に違反してされたものである。 ２ 証拠方法 甲第１号証 ：特開２０１５－３５１０１号公報（引用文献１） 甲第２号証 ：特開２０２２－１６２６６８号公報 甲第３号証 ：特開２０１７－５４４３２号公報 甲第４号証 ：特開２０２０－２７３１９号公報 甲第５号証 ：特開２０１５－１０６３１６号公報 甲第６号証の１：Susanne R▲a▼ssIer, “Statistical Matching”, pp. 71-127.（「▲a▼」は、a-ウムラウト） 甲第６号証の２：「springer」, https://link.springer.com/book/10.1007/978-1-4613-0053-3 甲第７号証 ：国際公開第２０１８／１１６３６６号（引用文献２） 甲第８号証の１：Cynthia Dwork, Aaron Rotsh. “The algorithmic Foundations of Differential Privacy”, Foundations and Trends in Theoretical Computer Science, Vol.9, No.3-4, 2014, p.211-p.407 甲第８号証の２：「nowpublishers」, https://www.nowpublishers.com/article/Details/TCS-042 甲第９号証の１：Mengmeng Yang, Lingjuan Lyu, Jun Zhao, Tianqing Zhu, Kwok-Yan Lam, “Local Differential Privacy and Its Applications: A Comprehensive Survey", arXiv:2008.03686 甲第９号証の２：「arXiv:2008.03686」, https://arxiv.org/abs/2008.03686 甲第９号証の３：「Submission schedule and cutoff time」, https://info.arxiv.org/help/availability.html 甲第９号証の４：「arXiv identifier」, https://info.arxiv.org/help/arxiv_identifier.html 以下、甲第１号証～甲第９号証を、それぞれ、「甲１」～「甲９」という。 第７ 甲１～甲９について １ 甲１について 甲１は、上記「第４」の１の引用文献１であって、甲１には、上記「第４」の１（１）のとおりの事項が記載されており、上記「第４」の１（２）のとおりの引用発明１が記載されている。 ２ 甲２について 甲２には、次の事項が記載されている。 「【００２５】 図２は、人材管理システム１の機能構成を例示する図である。人材管理システム１は、装置として、サーバ１０及びクライアント２０を有する。人材管理システム１は、機能として、記憶手段１１、取得手段１２、取得手段１３、取得手段１４、分析手段１５、提言生成手段１６、記憶手段２１、アクセス手段２２、特定手段２３、特定手段２４、入力手段２５、取得手段２６、及び出力手段２７を有する。これらの機能のうち、記憶手段１１、取得手段１２、取得手段１３、取得手段１４、分析手段１５、及び提言生成手段１６はサーバ１０に、記憶手段２１、アクセス手段２２、特定手段２３、特定手段２４、入力手段２５、取得手段２６、及び出力手段２７はクライアント２０に、それぞれ実装される。 【００２６】 サーバ１０において、記憶手段１１は、各種のデータ及びプログラムを記憶する。取得手段１２は、管理システム４からモデル構築用第１情報を取得する（第１取得手段の一例）。モデル構築用第１情報は、グループに属する複数の構成員が当該集合研修を受講した状況に関する情報である。取得手段１３は、管理システム２からモデル構築用第２情報を取得する（第２取得手段の一例）。モデル構築用第２情報は、複数の構成員が当該ｅラーニングを受講した状況に関する情報である。取得手段１４は、管理システム３（より詳細には）データベース３１（第１データベースの一例）からモデル構築用第３情報を取得する（第３取得手段の一例）。データベース３１は、複数の構成員の属性に関する情報が記録されたデータベースである。モデル構築用第３情報は、複数の構成員の属性に関する情報である。 【００２７】 分析手段１５は、モデル構築用第１情報、モデル構築用第２情報、及びモデル構築用第３情報の少なくとも一部を目的変数として、別の少なくとも一部を説明変数として、目的変数と説明変数との相関を分析する。この分析には、例えば多変量解析又は機械学習が用いられる。この分析の結果として得られる、目的変数と説明変数との相関を示すモデル１５１（第１モデルの一例）は記憶手段１１に記憶される。 【００２８】 クライアント２０において、記憶手段２１は、各種のデータ及びプログラムを記憶する。アクセス手段２２は、モデル１５１にアクセスする。特定手段２３は、複数の構成員のうち提言の対象となる構成員（以下「対象構成員」という）を特定する（第１特定手段の一例）。特定手段２４は、提言の出力先となるユーザ（以下「出力先ユーザ」という）を特定する（第２特定手段の一例）。入力手段２５は、説明変数の値をモデル１５１に入力する。ここで入力される説明変数は、モデル１５１を構築（又は生成）する際に用いられた説明変数に対応する変数であって、対象構成員のみに関するデータである。モデル１５１は、入力された説明変数に対応する目的変数の値を出力する。取得手段２６は、モデル１５１から目的変数の値を取得する。出力手段２７は、目的変数の値に応じて、対象構成員が取るべき行動を示す提言情報を、出力先ユーザに出力する。 【００２９】 図３は、サーバ１０のハードウェア構成を例示する図である。この例において、サーバ１０は、ＣＰＵ（Central Processing Unit）１０１、メモリ１０２、ストレージ１０３、及び通信ＩＦ（Interface）１０４を有するコンピュータである。ＣＰＵ１０１は、プログラムに従って各種の処理を行う処理装置である。メモリ１０２は、ＣＰＵ１０１がプログラムを実行する際のワークエリアとして機能する主記憶装置であり、例えばＲＡＭ（Random Access Memory）を含む。ストレージ１０３は、各種のプログラム及びデータを記憶する補助記憶装置であり、例えばＳＳＤ（Solid State Drive）及びＨＤＤ（Hard Disk Drive）の少なくとも一方を含む。通信ＩＦ１０４は、所定の通信規格（例えばイーサネット）に従って他の装置と通信する通信装置である。 【００３０】 この例において、ストレージ１０３は、コンピュータを人材管理システム１におけるサーバとして機能させるためのプログラム（以下「サーバプログラム」という）を記憶している。ＣＰＵ１０１がサーバプログラムを実行することにより、コンピュータに図２の機能が実装される。ＣＰＵ１０１がサーバプログラムを実行している状態において、メモリ１０２及びストレージ１０３の少なくとも一方が記憶手段１１の一例である。通信ＩＦ１０４が、取得手段１２、取得手段１３、及び取得手段１４の一例である。ＣＰＵ１０１が分析手段１５の一例である。」 「【００３５】 取得手段１２は、管理システム４からモデル構築用第１情報を取得する。モデル構築用第１情報は、具体的には、先の母集団に属する構成員全員について、各構成員が集合研修を受講した履歴である。この履歴は、例えば、受講した研修を特定する情報（例えば講座名）、受講した日時、理解度確認テストがあればその成績、及びテストを受けた日時を含む。 【００３６】 取得手段１３は、管理システム２からモデル構築用第２情報を取得する。モデル構築用第２情報は、具体的には、先の母集団に属する構成員全員について、各構成員がｅラーニングを受講した履歴である。この履歴は、例えば、受講したｅラーニングを特定する情報（例えば講座名）、受講した日時、理解度確認テストがあればその成績、及びテストを受けた日時を含む。 【００３７】 取得手段１４は、管理システム３（より具体的にはデータベース３１）から先の母集団に属する構成員の属性に関するモデル構築用第３情報を取得する。 【００３８】 図６は、データベース３１に記録されている情報を例示する図である。データベース３１は、複数のレコードを含む。各レコードは、一のユーザの属性を示す。この例では、各レコードには、そのユーザの氏名、性別、年齢、会社名、部署名、役職、勤続年数、実務経験年数、保有資格（詳細には、フィナンシャルプランナー、証券外務員、及び証券アナリスト）の有無、及び人事評価が記録される。例えば、図６の例において最上段のレコードには、氏名「山田花子」というユーザについて、性別「女」、年齢「３８」、会社名「株式会社カンパニー」、部署名「証券営業部」、役職「課長」、勤続年数「５年」、実務経験年数「１６年」、フィナンシャルプランナー資格保有、及び昨季の人事評価「Ａ」であることが記録されている。」 「【００４０】 この例において、ステップＳ１２における分析は２段階で行われる。第１段階の分析は、成果と課題との相関に関する分析である。そもそも、ステップＳ１２における分析は分析の対象となる組織の人材育成課題に基づいて定義される。」 「【００４４】 第１段階の分析は、複数の評価尺度の各々を目的変数とし、課題に対応する変数を説明変数とした相関の分析である。この例では、説明変数は２つのグループに分けられる。このグループ分けは人材管理システム１において定義される。第１のグループは、「テスト結果」、「知識レベル評価」、及び「関連資格の有無」からなるグループである。分析手段１５は、複数の評価尺度の各々と第１グループに含まれる説明変数との相関を、重回帰分析により分析する。具体的には、分析手段１５は、「融資額」を目的変数とし、「テスト結果」、「知識レベル評価」、及び「関連資格の有無」を説明変数とする重回帰分析を行う。詳細には、分析手段１５は、目的変数と説明変数との関係を表す式において、回帰係数を計算する。分析手段１５は、計算により得られた回帰係数を記憶手段１１に記憶する。次に分析手段１５は、「融資件数」、「新規件数」、「顧客満足度」、及び「利ざや」の各々についても、複数の説明変数との相関を分析する。」 「【００４６】 図８は、第２段階における分析を例示する図である。第２段階における分析は、小課題と要件との相関に関する分析である。この例においては、複数の小課題の各々に対応する変数に対して説明変数が定義されている。例えば、「知識レベルの向上」という小課題に対応する変数である「テスト結果」に対して、「科目Ａ受講履歴（確認テスト結果含む）」、「科目Ｂ受講履歴（確認テスト結果含む）」、及び「科目Ｃ受講履歴」という３つのデータが説明変数として定義されている。同様に、他の小課題に対応する変数に対しても、それぞれ説明変数が定義されている。分析手段１５は、これらの目的変数及び（複数の）説明変数の組に対して、データ形式に応じた分析を行う。分析としては、例えば、重回帰分析、判別分析、数量化１類、数量化２類、及び数量化３類のいずれかが用いられる。詳細には、分析手段１５は、目的変数と説明変数との関係を表す式における係数を計算する。どのデータ形式の組に対してどの分析手法を用いるかは、分析手段１５においてあらかじめ定義されている。 【００４７】 再び図５を参照する。第１段階の分析で得られた関係式及び第２段階の分析で得られた関係式を合わせた数理モデルが、モデル１５１である。すなわちモデル１５１は、上記で説明した第２段階の説明変数（例えば、「科目Ａ受講履歴」、「科目Ｂ受講履歴」、「科目Ｃ受講履歴」、及びユーザの属性等）の名前及び値が入力されると、第１段階の目的変数（例えば、「融資額」、「融資件数」、「新規件数」、「顧客満足度」、及び「利ざや」）を出力するモデルである。分析手段１５は、計算により得られたモデル１５１を記憶手段１１に記憶する（ステップＳ１３）。以上でモデルの構築は終了である。以下、こうして構築されたモデルを用いた、ユーザへの提言について説明する。 【００４８】 ２－２．提言の出力 図９は、提言の出力動作を示すフローチャートである。ステップＳ２１において、特定手段２３は、対象構成員を特定する。一例において、対象構成員は、人材管理システム１（詳細にはサーバ１０）にログインしているユーザ自身である。この例では、企業の従業員はあらかじめ人材管理システム１にユーザ登録される。各従業員は、自身のクライアント２０からサーバ１０にアクセスし、システムにログインすることができる。別の例において、クライアント２０からログインしているユーザが管理職であり、対象構成員はその管理職の部下である従業員である。この場合、サーバ１０が、構成員の職制を特定する情報を記憶しており、特定手段２３はこの情報を参照して、ログインしているユーザの部下である構成員を対象構成員として特定する。あるいは、特定手段２３は、ログインしているユーザにより指定された構成員を対象構成員として特定する。」 「【００５０】 ステップＳ２３において、入力手段２５は、予測用の説明変数の名前及びその値をモデル１５１に入力する。クライアント２０は、アクセス手段２２を介してモデル１５１にアクセスする。予測用の説明変数は、予測用第１情報、予測用第２情報、及び予測用第３情報に含まれる変数の少なくとも一部である。具体的には、予測用の説明変数は、対象構成員に関する情報であって、分析手段１５においてモデル１５１を構築する際に説明変数として用いられた変数と同じ名前を有する変数である。例えば、モデル１５１の構築において全ての構成員の「科目Ａ受講履歴」、「科目Ｂ受講履歴」、及び「科目Ｃ受講履歴」が説明変数として用いられた場合、入力手段２５は、対象構成員の「科目Ａ受講履歴」、「科目Ｂ受講履歴」、及び「科目Ｃ受講履歴」を説明変数としてモデル１５１に入力する。 【００５１】 なお、図５で説明したモデルの構築と図９で説明している提言の出力とは必ずしも時間的に近接して行われる訳では無い。したがって、対象構成員が、モデル１５１を構築する際の分析に用いられるデータの母集団に属している場合であっても、モデル１５１を構築した時点における対象構成員の状況と、提言を出力しようとする時点における対象構成員の状況とは必ずしも同一ではない。例えば、１年前にＡ社の社員のデータを用いてモデル１５１が構築された場合において、その１年後にＡ社の社員に対して提言を出力しようとするとき、この１年でＡ社の社員は研修の受講を進めたり、新たな資格を取得したり、新たな職務経験を積んだりしている。モデル１５１を用いれば、このように更新された状況に対しても、提言を出力することができる。さらにいうと、対象構成員は、モデル１５１を構築する際の分析に用いられるデータの母集団に属していなくてもよい。例えば、人材管理システム１においては、昨年度までに在籍した社員のデータを用いて構築されたモデル１５１が、今年度新たに入社した社員に対する提言を出力するために用いられてもよい。あるいは、Ａ社の社員のデータを用いて構築されたモデル１５１が、Ａ社と異なるＢ社の社員に対する提言を出力するために用いられてもよい。 【００５２】 説明変数の名前及び値が入力されると、モデル１５１は，対応する目的変数を出力する。ステップＳ２４において、取得手段２６は、モデル１５１から出力された目的変数の名前及び値を取得する。例えば、取得手段２６は、モデル１５１から「融資額」、「融資件数」、「新規件数」、「顧客満足度」、及び「利ざや」の値を取得する。これらの変数の値は、対象構成員が将来的に産み出すであろう結果の予測値を示している。 【００５３】ステップＳ２５において、取得手段２６は、ステップＳ２４において取得された予測値に対応する提言情報を取得する。この提言情報は、サーバ１０において提言生成手段１６により生成される。一例において、記憶手段１１はデータベース１１１（第２データベースの一例）を記憶しており、提言生成手段１６はデータベース１１１を参照して提言を生成 する。」 「 ［図：0001427988000001.jpg］ 」（【図２】） 「 ［図：0001427988000002.jpg］ 」（【図６】） 「 ［図：0001427988000003.jpg］ 」（【図８】） ３ 甲３について 甲３には、次の事項が記載されている。 「【０００４】 人の心理状態をできるだけ正しく分析するためには、様々な角度から調査したデータの分析をする必要がある。このため、統計分析の際に必要となる説明変数の種類は膨大となる上、予測したい目的変数も複数になることが多い。心理学の分析では、独立した目的変数であっても、「好き嫌い」と「尊敬軽蔑」のように、目的変数間には、“尊敬しているから好き、軽蔑しているから嫌い“といったような相関が少なからずあると考えられる。このような場合、２つの目的変数に対して独立に回帰分析を行うより、２つの目的変数間の相関を考慮して予測する方が、劇的に精度が向上することがある。 【０００５】 一方で、説明変数間にも相関がある場合、多重共線性の問題が出てきて予測結果が不安定になる。多重共線性とは、説明変数間に強い相関があることにより、計算ができなかったり、計算結果の信頼性が低くなったりすることである。」 「【００１８】 以下、この発明に係わる実施形態を説明する。 本発明は、目的変数と説明変数の両方の変数間に相関がある場合でも、３項以上からなる目的変数であっても、また、大量のデータ欠損がある場合でも、目的変数を高い精度で予測することと、入力情報を少なくすることの両方を実現するための技術である。」 「【００２０】 まず、本発明におけるデータ分析のための各種のアルゴリズムについて説明する。 （第１のアルゴリズム） 第１のアルゴリズムでは、目的変数を説明変数に含めた因子回帰モデルを用いる。この因子回帰モデルは、因子分析モデル（式（１））と回帰モデル（式（２））とから成る。図１は、本発明におけるデータ分析のための因子回帰モデルの一例を示す図である。この図１におけるＦｎはｎ次元潜在変数ベクトルである。 【００２１】 【数１】 ［図：0001427988000004.jpg］ 【００２２】 いま、ｑ次元目的変数ベクトルを式（２）の左辺とし、ｐ次元説明変数ベクトルを式（１）の左辺とする。 因子分析モデル（式（１））におけるμはｐ次元平均ベクトルであり、Λはｐ×ｍの因子負荷行列であり、ｆｎはｎ次元潜在変数ベクトルであり、ξはｐ次元独自因子ベクトルである。 【００２３】 回帰モデル（式（２））におけるαは切片項であり、Θは回帰係数であり、εは誤差項である。上記の、目的変数を説明変数に含めたというのは、上記の式（１）、式（２）の共通部分ｆｎが対応する。 【００２４】 この回帰モデルは、説明変数から目的変数を回帰させるわけでなく、説明変数から共通因子を見つけ出し、この共通因子からダイレクトに目的変数に回帰させるという仕組みを入れている。このため、目的変数間に相関があり、この目的変数に影響を与える説明変数の数が少ない場合においても、精度よくパラメータを推定できる。また、式（１）と式（２）を式（３）へ変換し、この式（３）を式（４）に変換することで、回帰モデルを因子分析モデルに帰着させることができるため、因子分析モデルと回帰モデルとを１つの式（式（４））で記述することができ、分析モデルを単純化できる。 【００２５】 【数２】 ［図：0001427988000005.jpg］ 」 ４ 甲４について 甲４には、次の事項が記載されている。 「【０００２】 従来、多変数間の共変関係を求める方法として共分散構造分析が知られている。共分散構造分析では、他変数間の相関係数を算出可能な分散共分散行列を求める。しかしながら、分散共分散行列の要素の数は、変数の数の二乗のオーダーで大きくなるため、変数の数が大きくなると分散共分散行列を求める労力が大きくなる。そこで、より少ない変数で構造モデルを作成することが可能なスパース構造学習が提案されている。例えば、特許文献１には、グラフィカルラスーのアルゴリズムを用いたスパース構造学習におけるガウス分布の最尤推定値と構造モデルの特性を規定する罰則値との関係が開示されている。また、特許文献２には、精度行列がスパース行列となる解を得るためグラフィカルラスーのアルゴリズムによって条件付きガウス分布を算出する技術が開示されている。」 「【０００７】 （１）本発明の一形態によれば、製品の品質を表す目的変数と、前記製品の製造工程で得られる前記製品に関連する説明変数との共変関係を表す構造モデルを評価する評価装置が提供される。評価装置は、前記目的変数と前記説明変数との対応関係が示された対応データを用いて構造学習によって前記構造モデルを作成するモデル作成部と、前記対応データを用いて前記目的変数を既知とした条件付きガウス分布の最尤推定値を算出する最尤推定値演算部と、前記最尤推定値に基づいて前記構造モデルを評価するモデル評価部と、を備える。」 「【０００９】 （２）上記形態の評価装置において、前記モデル作成部は、前記構造モデルの特性に関連する特性値を変更することによって前記対応データから前記特性値の異なる複数の前記構造モデルを作成し、前記最尤推定値演算部は、前記特性値の異なる前記複数の構造モデルのそれぞれについて、条件付きガウス分布の尤度推定値を算出するとともに、算出した複数の前記尤度推定値のうちの最大値を前記最尤推定値とし、前記モデル評価部は、前記最尤推定値に対応する前記構造モデルを選択することによって前記構造モデルを評価してもよい。この構成によれば、モデル作成部は、特性値を変更することによって複数の構造モデルを作成することができる。最尤推定値演算部は、複数の構造モデルのそれぞれについて算出される条件付きガウス分布の尤度推定値のうちの最大値を最尤推定値とする。これにより、モデル評価部は、特性値が異なる複数の構造モデルのうちから目的変数と説明変数との共変関係を良好に表した構造モデルを機械的に選択することができる。」 ５ 甲５について 甲５には、次の事項が記載されている。 「【００１４】 本実施形態のエネルギー管理システムは、予測対象地域内の１または複数の施設におけるエネルギー需要量及び／または供給量のうち２以上であるＭ種類を予測対象とし、前記予測対象に対してＮ種類の入力データを予測条件とし、前記入力データと前記予測対象との相関関係、及び前記予測対象間の相関関係を演算する相関係数演算部と、前記個々の入力データに関して平均及び分散の値が等しくなり、前記入力データの相互に対して相関係数が等しくなるような、Ｍ種類の乱数の組を多数生成する乱数生成部と、前記相関関係と前記乱数との組より前記予測対象の予測計算を行う予測結果算出部と、前記予測結果と、前記施設におけるエネルギー需要量及び／または供給量と、予測対象地域内全体のエネルギー需要量及び／または供給量の比から、前記地域内全体のエネルギー需要量及び／または供給量を演算する合計値演算部と、を有することを特徴とする。」 「【００２９】 相関係数演算部１６は、予測対象選択部１４で選択した施設のＭ種類の予測対象に対する入力データ抽出部１３で抽出したＮ種類の入力データから、入力データと予測対象との相関関係、及び予測対象間の相関関係を演算する。入力データと予測対象との相関関係は、Ｍ種類の予測対象に対するＮ種類の入力データにおける予測結果の平均及び分散である。また、予測対象間の相関関係は、Ｍ種類の予測対象に対するＮ種類の入力データにおけるＮ－１種類の予測結果の共分散である。これらの相関関係をＭ行Ｍ列の分散共分散行列をして表わす。相関係数演算部１６では、スマートコミュニティー２内のあるＭ種類の予測対象に対して、類似日選択部１５で過去実績データをＫ日分選択した場合には、過去実績データＭ＊Ｋ個から予測結果をＭ個求める。このＭ種類の内１つの予測対象について、Ｋ日分の平均値μと、分散ｖとを計算する。そして、Ｍ種類の施設の過去実績データ間の共分散について計算する。共分散は、Ｍ＊（Ｍ－１）／２個求められる。これらの分散ｖ、共分散より分散共分散行列を作成する。」 ６ 甲６について 甲６の１には、次の事項が記載されている。 「 ［図：0001427988000006.jpg］ ［図：0001427988000007.jpg］ ［図：0001427988000008.jpg］ ［図：0001427988000009.jpg］ ［図：0001427988000010.jpg］ ［図：0001427988000011.jpg］ ［図：0001427988000012.jpg］ （訳文） ［図：0001427988000013.jpg］ ［図：0001427988000014.jpg］ ［図：0001427988000015.jpg］ ［図：0001427988000016.jpg］ ［図：0001427988000017.jpg］ ［図：0001427988000018.jpg］ ［図：0001427988000019.jpg］ 」（７８頁２１行（数式行含む）～８４頁１２行） ７ 甲７について 甲７は、上記「第４」の２の引用文献２であって、甲７には、上記「第４」の２のとおりの事項が記載されている。 ８ 甲８について 甲８の１には、次の事項が記載されている。 「 ［図：0001427988000020.jpg］ ［図：0001427988000021.jpg］ ［図：0001427988000022.jpg］ ［図：0001427988000023.jpg］ ［図：0001427988000024.jpg］ ［図：0001427988000025.jpg］ ［図：0001427988000026.jpg］ ［図：0001427988000027.jpg］ ［図：0001427988000028.jpg］ ［図：0001427988000029.jpg］ ［図：0001427988000030.jpg］ ［図：0001427988000031.jpg］ ［図：0001427988000032.jpg］ （訳文） ［図：0001427988000033.jpg］ ［図：0001427988000034.jpg］ ［図：0001427988000035.jpg］ ［図：0001427988000036.jpg］ ［図：0001427988000037.jpg］ ［図：0001427988000038.jpg］ ［図：0001427988000039.jpg］ ［図：0001427988000040.jpg］ ［図：0001427988000041.jpg］ ［図：0001427988000042.jpg］ ［図：0001427988000043.jpg］ ［図：0001427988000044.jpg］ ［図：0001427988000045.jpg］ 」（３０頁下から３行～４１頁２９行） 「 ［図：0001427988000046.jpg］ （訳文） ［図：0001427988000047.jpg］ 」（５３頁３～１２行（数式行含む）） ９ 甲９について 甲９の１には、次の事項が記載されている。 「 ［図：0001427988000048.jpg］ （訳文） ［図：0001427988000049.jpg］ 」（アブストラクト） 「 ［図：0001427988000050.jpg］ （訳文） ［図：0001427988000051.jpg］ 」（４頁左欄１～３行） 「 ［図：0001427988000052.jpg］ （訳文） ［図：0001427988000053.jpg］ 」（８頁左欄３～７行） 第８ 取消理由通知で採用しなかった申立理由についての判断 １ 本件発明１について （１）本件発明１と引用発明１との対比 本件発明１と引用発明１（甲１に記載された発明）との対比は、上記「第５」の１（１）ア～オのとおりであるから、その一致点及び相違点は、上記「第５」の１（１）カのとおりである。 すなわち、本件発明１と引用発明１との相違点は次のとおりである。 （相違点１） 本件発明１は、「選択ステップ」において、「前記目的変数は複数選択される」ものであって、「作成ステップ」において、「前記複数の目的変数を予測する予測モデルを作成する」ものであるのに対して、引用発明１は、「追加設問の追Ｑ１、追Ｑ２・・・ごと」の「フュージョンキーＦＫとする項目」は、「予測式」を作成するために用いられ、「追加設問ごと」に予測式を作成するものの、「追加設問」と「予測式」とは一対一の関係であることから、追加設問を「複数」選択するものではなく、「複数の」追加設問を目的変数としたモデルを作成するものではない点。 （相違点２） 本件発明１は、「前記説明変数には、前記属性情報に関する変数と、少なくとも１つの前記属性情報とは異なる変数が含まれて」いるのに対して、引用発明１は、そのような構成になっているか定かではない点。 （２）相違点の判断 ア 相違点１の判断 （ア）甲２には、上記「第７」の２のとおり、モデルを構築するための第１段階及び第２段階において、いずれも、１つの目的変数と複数の説明変数との関係を表す式（関係式）における係数を計算することが記載され（段落【００４４】【００４６】、【図８】等参照）、これらの関係式を組み合わせたものを数理モデルとすることが記載される（【００４７】参照）のみであって、この「数理モデル」は関係式の束といえ、本件発明１のような複数の目的変数を予測する１つのモデルとはいえず、甲２には、「選択ステップ」において、「前記目的変数は複数選択される」ものであり、「作成ステップ」において、「前記複数の目的変数を予測する予測モデルを作成する」ことは記載も示唆もされていないことから、引用発明１に甲２に記載されている事項を適用したとしても、上記相違点１の構成に至らないことは明らかである。 なお、甲２に記載された事項を主引用発明として、引用発明１を適用しても、上記相違点１の構成に至らないことは明らかである。 （イ）また、上記「第５」の１（３）のとおり、引用発明１において、１０個の予測式を束ねて１つの予測式することで複数の目的変数を出力する構成としようとする動機付けはないことから、説明変数から目的変数を予測する技術分野において、変数間の分散共分散構造を用いて、分散共分散構造に適合するように、複数の説明変数から複数の目的変数を予測する技術が、甲４、甲５及び甲６の１に記載されるように周知技術であるとしても、これを適用して上記相違点１の構成とすることは、当業者であっても、容易に想到することはできない。なお、周知技術を示す文献である甲４、甲５及び甲６の１には、擬似的シングルソースデータを精度よく生成することについて記載されていないことから、周知技術が主引用発明にならないことは明らかである。 （ウ）さらに、甲８の１、甲９の１には、「選択ステップ」において、「前記目的変数は複数選択される」ものであり、「作成ステップ」において、「前記複数の目的変数を予測する予測モデルを作成する」ことは記載も示唆もされていないことから、引用発明１に甲８の１及び甲９の１に記載されている事項を適用したとしても、上記相違点１の構成に至らないことは明らかである。 イ 相違点２の判断 上記「第５」の１（３）イのとおり、上記相違点２は、文言上の差違にすぎず、仮に、相違点２が実質的な相違点であるとしても、引用発明１において、関係式である予測式への入力である説明変数として、「少なくとも１つの前記属性情報とは異なる変数が含まれ」る構成とすることは、当業者が容易に想到することができたものである。 ウ 効果について 本件発明１は、相違点１の構成を採用することで、「精度良く擬似的なシングルソースデータを生成する」（本件特許明細書【００１５】）との格別顕著な作用効果を奏するものである。 （３）申立人の主張について ア 申立人の主張の概要 申立人は、特許異議申立書で次のように主張する。 上記相違点１について、申立人は、「甲第２号証は、構成２ａ，２ｂ，２ｃ，２ｄを備える甲２発明方法を記載する。構成２ｃは、「前記第１のデータソースを教師データとして、選択された複数の前記目的変数と複数の前記説明変数との相関を多変量解析又は機械学習を用いて分析し、複数の前記目的変数と複数の前記説明変数との相関を示す予測モデルを作成する」・・・構成２ｂは、「前記情報処理装置が、前記第１のデータソースに含まれる前記複数の変数の少なくとも一部を目的変数として選択し、別の少なくとも一部を説明変数として選択する選択ステップであって、前記説明変数には、前記属性情報に関する変数と、少なくとも１つの前記属性情報とは異なる変数が含まれており、前記目的変数は、複数選択され、組織の人材育成課題に応じて指定される、選択ステップ」というものである」から、「甲１発明方法１に甲第２号証記載の技術を適用すること」で、「本件特許発明１と同様の構成に想到することができる。」旨主張する。（特許異議申立書５１～５４頁） イ 申立人の主張についての判断 申立人の上記主張について検討をする。 上記（２）ア（ア）のとおり、甲２には、モデルを構築するための第１段階及び第２段階において、いずれも、１つの目的変数と複数の説明変数との関係を表す式（関係式）における係数を計算することが記載され（段落【００４４】【００４６】、【図８】等参照）、これらの関係式を組み合わせたものを数理モデルとすることが記載される（【００４７】参照）のみであって、この「数理モデル」は関係式の束といえ、本件発明１のような複数の目的変数を予測する１つのモデルとはいえず、甲２には、「選択ステップ」において、「前記目的変数は複数選択される」ものであり、「作成ステップ」において、「前記複数の目的変数を予測する予測モデルを作成する」ことは記載も示唆もされていない。 してみると、甲２には、申立人が主張する構成２ｃ（「前記第１のデータソースを教師データとして、選択された複数の前記目的変数と複数の前記説明変数との相関を多変量解析又は機械学習を用いて分析し、複数の前記目的変数と複数の前記説明変数との相関を示す予測モデルを作成する」点）が記載されているとはいえない。 そして、上記（２）ア（ア）のとおり、引用発明１に甲２に記載された事項を適用しても、上記相違点１の構成に至らないことは明らかである。 よって、申立人の上記主張に理由はない。 （４）本件発明１についての小括 本件発明１は、引用発明１（甲１に記載された発明）及び甲２に記載された事項に基づいて、当業者が容易に発明をすることができたものではない。 ２ 本件発明２～５、７～９について 本件発明２～５、７～９は、本件発明１を直接的又は間接的に引用する発明である。そのため、本件発明２～５、７～９は、「選択ステップ」において、「前記目的変数は複数選択される」こと、及び、「作成ステップ」において、「前記複数の目的変数を予測する予測モデルを作成する」ことを発明特定事項に含むものである。 したがって、本件発明２～５、７～９と、引用発明１との間には、上記１（１）のとおりの相違点１、２が存在する。 そして、上記１（２）アのとおり、相違点１の構成は、引用発明１及び甲２に記載された事項に基づいて、当業者が容易に想到することができたものではない。 よって、本件発明２～５、７～９は、引用発明１及び甲２に記載された事項に基づいて、当業者が容易に発明をすることができたものではない。 また、甲３～９について、上記１（２）ア（イ）及び（ウ）のとおりであるから、本件発明４、５、７～９は、引用発明１、甲２～９に記載された事項に基づいて、当業者が容易に発明をすることができたものでもない。 ３ 本件発明１２について 上記「第５」の３のとおりであるから、本件発明１２と引用発明１との間には、上記１（１）の相違点１、２に加えて、上記「第５」の３と同じ次の相違点３がある。 すなわち、本件発明１２は、「複数の変数を有する第１のデータソース」は「オブジェクト」に関するものであるのに対して、引用発明１の「当該１，０００人のデータ」であって、「オブジェクト」に関するものではない点で相違する（相違点３）。 相違点について検討すると、相違点１については、上記１（２）アのとおり、引用発明１及び甲２に記載された事項に基づいて、当業者が容易に想到することができたものではない。 相違点３については、引用発明１は「汎用的データフュージョン方法」であることから、対象をユーザに代えて「オブジェクト」として、相違点３の構成とすることは、当業者が容易に想到することができたものである。 よって、本件発明１２は、引用発明１及び甲２に記載された事項に基づいて、当業者が容易に発明をすることができたものではない。 また、甲３～９について、上記１（２）ア（イ）及び（ウ）のとおりであるから、本件発明１２は、引用発明１、甲２～９に記載された事項に基づいて、当業者が容易に発明をすることができたものでもない。 ４ 本件発明１３～１５について 本件発明１３は、本件発明１又は１２を引用する「情報処理方法を情報処理装置に実行させるプログラム」の発明であり、本件発明１４は、本件発明１又は１２を引用する「情報処理方法を情報処理装置に実行させるプログラムを格納した、前記情報処理装置により読み取り可能な非一時的な記憶媒体」の発明であり、本件発明１５は、本件発明１又は１２を引用する「情報処理方法を実行する、情報処理装置」の発明である。 そうすると、本件発明１、１２については、それぞれ、上記１、３で検討したとおり、引用発明１及び甲２に記載された事項に基づいて、当業者が容易に発明をすることができたものではないから、同様に、本件発明１３～１５は、引用文献１に記載された発明及び甲２に記載された事項に基づいて、当業者が容易に発明をすることができたものではない。 第９ むすび 以上のとおりであるから、特許異議の申立ての理由及び証拠によっては、請求項１、２、３、４、５、７、８、９、１２、１３、１４、１５に係る特許を取り消すことはできない。 また、他に請求項１、２、３、４、５、７、８、９、１２、１３、１４、１５に係る特許を取り消すべき理由を発見しない。 よって、結論のとおり決定する。