美國零售商Kroger聲稱零售商Lidl註冊之新商標有混淆Kroger的知名商標之虞
Kroger成立於1883年，在美國擁有近3000家分店，為美國最大食品雜貨零售店，其註冊商標“Private Selection”相當知名，被廣泛使用在超市、便利商店及其他各種零售商店約20多年。然而在全球擁有超過10000家分店的歐洲零售店巨頭Lidl，亦於2016年9月19日於美國註冊與“Private Selection”近似的商標“Preferred Selection”。
對此，Kroger於Lidl在美國開立新門市不久之後，即於今（2017）年6月30日對Lidl起訴，主張Lidl的“Preferred Selection”與Kroger的“Private Selection”品牌商標太相似，Lidl於德國是以低價折扣作定位之連鎖超市，且產品曾被認定為劣質。Lidl的行為意圖混淆“Preferred Selection”與“Private Selection”，將稀釋Kroger的品牌知名度，不僅侵害商標亦將損及商譽，甚至從中牟取不當利益，導致不公平競爭。故Kroger據以向美國維吉尼亞州地方法院請求禁止Lidl販售使用“Preferred Selection”商標的產品。
Lidl反駁認為其商標註冊已有一段時間，Kroger卻故意選其展店亮相後才大肆攻擊Lidl的新品牌，嚴重干擾Lidl的宣傳效益，更何況兩者商標名稱不同，標誌圖形的設計也不同。今年7月25日，美國維吉尼亞州地方法院法官表示，儘管品牌標誌看起來相似，但兩者並無相同或相似的含意，拒絕授予Kroger聲請之禁令。惟兩造於今年9月達成協議，請求法院駁回訴訟，而Lidl最終於今年9月12日放棄“Preferred Selection”商標權。
- Kroger and Lidl drop home brands lawsuit, IPPro the internet, Sep. 13, 2017
- Kroger lawsuit against Lidl dismissed, WRAL, Sep. 8, 2017
- WHY DID KROGER DROP ITS LAWSUIT AGAINST LIDL?, abasto, Sep. 7, 2017
- Kroger, the nation's largest grocer is suing rival Lidl, which has 10 U.S. stores, chicagotribune, July 11, 2017
- PREFERRED SELECTION Trademark Information, Trademarkia
方玟蓁
組長 編譯整理
Kroger and Lidl drop home brands lawsuit, IPPro the internet, Sep. 13, 2017, http://www.ipprotheinternet.com/ipprotheinternetnews/article.php?article_id=5628 (last visited Oct. 5, 2017)
Kroger lawsuit against Lidl dismissed, WRAL, Sep. 8, 2017, http://www.wral.com/kroger-lawsuit-against-lidl-dismissed/16934846/(last visited Oct. 5, 2017)
WHY DID KROGER DROP ITS LAWSUIT AGAINST LIDL?, abasto, Sep. 7, 2017, https://abasto.com/en/news/kroger-drop-lawsuit-against-lidl/(last visited Oct. 5, 2017)
Kroger, the nation's largest grocer is suing rival Lidl, which has 10 U.S. stores, chicagotribune, July 11, 2017, http://www.chicagotribune.com/business/ct-kroger-suing-lidl-20170711-story.html(last visited Oct. 5, 2017)
PREFERRED SELECTION Trademark Information, Trademarkia, https://www.trademarkia.com/preferred-selection-87175637.html(last visited Oct. 5, 2017)
為反制專利蟑螂利用訴訟方式滋擾實際從事研發以及實施專利者，美國國會於2012年8月提出SHIELD法案（Saving High-Tech Innovators from Egregious Legal Disputes Act of 2012 ），顧名思義本法案之目的在於防免高科技創新者陷於惡意挑起的法律爭端之中。該法案補充美國聯邦專利法規定，使得法院得在發現當事人一造並無合理勝訴之可能而仍舊對電腦硬體或軟體專利之有效性提起訴訟，或主張被侵權時，法院得判決其回復全部訴訟之費用支出予除美國以外勝訴之一造（the prevailing party），包括合理之律師費。 SHIELD法案原立意良善，但其也可能就像兩面刃，例如法案的規範內容用語抽象，以致於在企圖達到其立法目的外，未同時設想可能造成的法律陷阱或未預期之法律效果。就法案內容來看，其賦予法院得判決要求回復訴訟費用及律師費之人（所謂勝訴之一造）並不限於原告。又本法案得適用在任何電腦或軟體專利的訴訟，因此，當兩家大型公司相互就專利實施進行對決時，SHIELD法案無異使得原本已經成本很高的競爭更提高雙方的賭注。此外，法案中對「電腦」的定義，不限於一般認知的「軟體或電腦硬體公司」，使得從金融業到汽車製造都可能涵蓋在內，例如銀行就有許多系統可能同時連接具專利之電腦或其他軟體組件。更重要的是，何時勝訴方可獲得律師費之補償判決，法案亦沒有給法院明確之範圍。 雖然本法案最後通過與否或通過施行後的樣貌仍未可知，但可得知的是對於部分NPE之負面利用專利制度之行為，已促使政府與法界思索專利制度如何衡平專利權保護而更能達到專利制度設置之目的，而其未來顯然仍有一段遙遠的路要走。
行政院審查通過「食品衛生管理法」及「健康食品管理法」修正草案「食品衛生管理法」及「健康食品管理法」修正草案已於94年11月30日經行政院第2968次院會審查通過，將於近期進一步送立法院審議。未來只要有食品遭檢出含有害人體健康的物質，或標示不清，都一律得先下架禁賣並封存。而食品廣告誇大不實或宣稱具有療效部分，也在這次修法中加重其相關罰則。 本次修法重點為： 一、廣告管理：延長傳播業者保存委託刊播廣告者資料之期間，由原本2個月修正為6個月（食品衛生管理法修正條文第十九條、健康食品管理法修正條文第十五條）。 二、提高罰鍰額度： １．加重宣稱療效健康食品業者之行政處分，提高其罰鍰額度，由原本6萬元以上30萬元以下，修正為20萬元以上100萬元以下，並規定一年內再違反者，得廢止其營業或工廠登記證照。（健康食品管理法修正條文第二十四條） ２．對於影響民眾飲食衛生安全較鉅之違法情節，提高罰鍰額度，將部分原本3萬元以上15萬元以下或4萬元以上20萬元以下，提高為6萬元以上30萬元以下（食品衛生管理法修正條文第三十一條及第三十三條）。 三、違規業者加重行政處分：違規標示產品 除應通知限期回收改正，進一步明定於改正前不得繼續販賣（食品衛生管理法修正條文第二十九條）。 四、擴大地方主管機關得命暫停作業並將物品封存之範疇（食品衛生管理法修正條文第二十四條）。
合成資料（synthetic data）「合成資料」（synthetic data）的出現，是為了保護原始資料所可能帶有的隱私資料或機敏資料，或是因法規或現實之限制而無法取得或利用研究所需資料的情況下，透過統計學方法、深度學習、或自然語言處理等方式，讓電腦以「模擬」方式生成研究所需之「合成資料」並進行後續研究跟利用，透過這個方法，資料科學家可以在無侵犯隱私的疑慮下，使合成資料所訓練出來的分類模型（classifiers）不會比原始資料所訓練出來的分類模型差。 在合成資料的生成技術當中，最熱門的研究為運用「生成對抗網路」（Generative Adversarial Network, GAN）形成合成資料（亦有其他生成合成資料之方法），生成對抗網路透過兩組類神經網路「生成網路」（generator）與辨識網路（discriminator）對於不同真偽目標值之反覆交錯訓練之結果，使其中一組類神經網路可生成與原始資料極度近似但又不完全一樣之資料，也就是具高度複雜性與擬真性而可供研究運用之「合成資料」。 英國國防科技實驗室（Defense Science and Technology Laboratory, DSTL）於2020年8月12日發布「合成資料」技術報告，此技術報告為DSTL委託英國航太系統公司（BAE Systems）的應用智慧實驗室（Applied Intelligence Labs, AI Labs）執行「後勤科技調查」（Logistics Technology Investigations, LTI）計畫下「資料科學與分析」主題的工作項目之一，探討在隱私考量下（privacy-preserving）「合成資料」當今技術發展情形，並提供評估技術之標準與方法。 技術報告中指出，資料的種類多元且面向廣泛，包含數字、分類資訊、文字與地理空間資訊等，針對不同資料種類所適用之生成技術均有所不同，也因此對於以監督式學習、非監督式學習或是統計學方法生成之「合成資料」需要採取不同的質化或量化方式進行技術評估；報告指出，目前尚未有一種可通用不同種類資料的合成資料生成技術或技術評估方法，建議應配合研究資料種類選取合適的生成技術與評估方法。
RFID應用與相關法制問題研析－個人資料在商業應用上的界限