Fugu-MT 論文翻訳(概要): On the Fairness of 'Fake' Data in Legal AI

論文の概要: On the Fairness of 'Fake' Data in Legal AI

arxiv url: http://arxiv.org/abs/2009.04640v2
Date: Fri, 11 Sep 2020 08:35:55 GMT
ステータス: 処理完了
システム内更新日: 2022-10-20 03:53:52.840700
Title: On the Fairness of 'Fake' Data in Legal AI
Title（参考訳）: 法律AIにおける「フェイク」データの公正性について
Authors: Lauren Boswell, Arjun Prakash
Abstract要約: 異なる影響の概念と、トレーニングデータのバイアスが、より公正なAIの探索にどのように寄与するかを検討する。偏りのあるデータの修正に事前処理がどのように使われているのかを概説し, より公平な結果を得るために, 効果的に変化する事例の法的意味について検討する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The economics of smaller budgets and larger case numbers necessitates the use of AI in legal proceedings. We examine the concept of disparate impact and how biases in the training data lead to the search for fairer AI. This paper seeks to begin the discourse on what such an implementation would actually look like with a criticism of pre-processing methods in a legal context . We outline how pre-processing is used to correct biased data and then examine the legal implications of effectively changing cases in order to achieve a fairer outcome including the black box problem and the slow encroachment on legal precedent. Finally we present recommendations on how to avoid the pitfalls of pre-processed data with methods that either modify the classifier or correct the output in the final step.
Abstract（参考訳）: より小さな予算とより大きなケースナンバーの経済は、法的手続きにAIを使う必要がある。異なる影響の概念と、トレーニングデータのバイアスが公平なaiの探索にどのようにつながるかを検討する。本稿では,このような実装が実際にどのように見えるかについて,法的文脈における事前処理手法に対する批判から論じる。偏りのあるデータを補正するために前処理がどのように使われるのかを概説し、ブラックボックス問題や法的前例へのゆっくりとした侵入を含む公平な結果を達成するために、効果的に変化する事例の法的意義を検討する。最後に、前処理されたデータの落とし穴を、分類器を変更するか、最終ステップで出力を修正するメソッドで回避する方法を推奨する。

関連論文リスト

Achieving Fairness in Predictive Process Analytics via Adversarial Learning [50.31323204077591]
本稿では、デバイアスフェーズを予測ビジネスプロセス分析に組み込むことの課題に対処する。本研究の枠組みは, 4つのケーススタディで検証し, 予測値に対する偏り変数の寄与を著しく低減することを示した。
論文参考訳（メタデータ） (2024-10-03T15:56:03Z)
Distinguish Confusion in Legal Judgment Prediction via Revised Relation Knowledge [38.58529647679356]
法的判断予測は,その事実のテキスト記述に基づいて,訴訟の判断結果を自動的に予測することを目的としている。紛らわしい法律記事(または告訴)の問題は頻繁に発生し、類似記事(または告訴)に該当する法ケースが誤認される傾向があることを反映している。本稿では、上記の課題を解決するために、textitD-LADAN というエンドツーエンドモデルを提案する。
論文参考訳（メタデータ） (2024-08-18T09:44:59Z)
LawLLM: Law Large Language Model for the US Legal System [43.13850456765944]
我々は,米国法域に特化して設計されたマルチタスクモデルであるLawLLM(Law Large Language Model)を紹介する。類似症例検索(SCR)、PCR(Precedent Case Recommendation)、LJP(Lawal Judgment Prediction)においてLawLLMが優れているそこで本研究では,各タスクに対して,生の法定データをトレーニング可能な形式に変換する,カスタマイズされたデータ前処理手法を提案する。
論文参考訳（メタデータ） (2024-07-27T21:51:30Z)
DELTA: Pre-train a Discriminative Encoder for Legal Case Retrieval via Structural Word Alignment [55.91429725404988]
判例検索のための識別モデルであるDELTAを紹介する。我々は浅層デコーダを利用して情報ボトルネックを作り、表現能力の向上を目指しています。本手法は, 判例検索において, 既存の最先端手法よりも優れている。
論文参考訳（メタデータ） (2024-03-27T10:40:14Z)
Towards Explainability in Legal Outcome Prediction Models [64.00172507827499]
我々は、前例が法的NLPモデルの説明可能性を促進する自然な方法であると主張している。法的な先例の分類法を開発することで、人間の判断と神経モデルを比較することができる。モデルが合理的に結果を予測することを学習する一方で、前例の使用は人間の判断とは違い、ということがわかりました。
論文参考訳（メタデータ） (2024-03-25T15:15:41Z)
Precedent-Enhanced Legal Judgment Prediction with LLM and Domain-Model Collaboration [52.57055162778548]
法的判断予測(LJP)は、法律AIにおいてますます重要な課題となっている。先行は、同様の事実を持つ以前の訴訟であり、国家法制度におけるその後の事件の判断の基礎となっている。近年のディープラーニングの進歩により、LJPタスクの解決に様々なテクニックが使えるようになった。
論文参考訳（メタデータ） (2023-10-13T16:47:20Z)
Prototype-Based Interpretability for Legal Citation Prediction [16.660004925391842]
我々は、前例と立法規定の両方に関して、弁護士の思考過程と平行してタスクを設計する。最初の実験結果から,法の専門家のフィードバックを得て,対象の引用予測を洗練する。我々は,弁護士が使用する決定パラメータに固執しながら,高い性能を達成し,解釈可能性を高めるためのプロトタイプアーキテクチャを導入する。
論文参考訳（メタデータ） (2023-05-25T21:40:58Z)
CaseEncoder: A Knowledge-enhanced Pre-trained Model for Legal Case Encoding [15.685369142294693]
CaseEncoderは、データサンプリングと事前トレーニングフェーズの両方において、きめ細かい法的な知識を活用する法律文書エンコーダである。 CaseEncoderは、ゼロショットの判例検索において、既存の一般的な事前訓練モデルと法律固有の事前訓練モデルの両方を著しく上回っている。
論文参考訳（メタデータ） (2023-05-09T12:40:19Z)
Exploiting Contrastive Learning and Numerical Evidence for Confusing Legal Judgment Prediction [46.71918729837462]
訴訟の事実記述文を考慮し、法的判断予測は、事件の告訴、法律記事、刑期を予測することを目的としている。従来の研究では、標準的なクロスエントロピー分類損失と異なる分類誤差を区別できなかった。本稿では,モコに基づく教師付きコントラスト学習を提案する。さらに,事前学習した数値モデルにより符号化された抽出された犯罪量による事実記述の表現をさらに強化する。
論文参考訳（メタデータ） (2022-11-15T15:53:56Z)
Learning to Limit Data Collection via Scaling Laws: Data Minimization Compliance in Practice [62.44110411199835]
我々は機械学習法における文献に基づいて、データとシステム性能を結びつけるデータ解釈に基づく収集を制限するフレームワークを提案する。我々は、性能曲線微分に基づくデータ最小化基準を定式化し、有効かつ解釈可能な分数法法技術を提供する。
論文参考訳（メタデータ） (2021-07-16T19:59:01Z)
Legal Judgment Prediction with Multi-Stage CaseRepresentation Learning in the Real Court Setting [25.53133777558123]
本稿では, 実地裁判所から新たなデータセットを導入し, 法的な判断を合理的に百科事典的に予測する。大規模な民事裁判データセットを用いた広範な実験は、提案モデルが、法的判断予測のためのクレーム、事実、議論の間の相互作用をより正確に特徴付けることができることを示している。
論文参考訳（メタデータ） (2021-07-12T04:27:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。