論文の概要: Detecting Anomalous Invoice Line Items in the Legal Case Lifecycle
- arxiv url: http://arxiv.org/abs/2012.14511v2
- Date: Sun, 17 Jan 2021 04:56:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-19 10:59:50.155283
- Title: Detecting Anomalous Invoice Line Items in the Legal Case Lifecycle
- Title(参考訳): 訴訟ライフサイクルにおける異常請求ライン項目の検出
- Authors: Valentino Constantinou, Mori Kabiri
- Abstract要約: 米国は世界最大の法律サービスの流通業者であり、437億ドルの市場を代表している。
このうち、法人法務部門は法律事務所に800億ドルを支払っている。
毎月、法務部門はこれらの法律事務所や法務サービスプロバイダーから請求書を受け取り、処理します。
- 参考スコア(独自算出の注目度): 1.5060043223489943
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The United States is the largest distributor of legal services in the world,
representing a \$437 billion market. Of this, corporate legal departments pay
law firms \$80 billion for their services. Every month, legal departments
receive and process invoices from these law firms and legal service providers.
Legal invoice review is and has been a pain point for corporate legal
department leaders. Complex and intricate, legal invoices often contain several
hundred line-items that account for anything from tasks such as hands-on legal
work to expenses such as copying, meals, and travel. The man-hours and scrutiny
involved in the invoice review process can be overwhelming. Even with common
safeguards in place, such as established billing guidelines, experienced
invoice reviewers (typically highly paid in-house attorneys), and rule based
electronic billing tools ("e-billing"), many discrepancies go undetected. Using
machine learning, our goal is to demonstrate the current flaws of, and to
explore improvements to, the legal invoice review process for invoices
submitted by law firms to their corporate clients. In this work, we detail our
approach, applying several machine learning model architectures, for detecting
anomalous invoice line-items based on their suitability in the legal case's
lifecycle (modeled using a set of case level and invoice line-item-level
features). We illustrate our approach, which works in the absence of labeled
data, by utilizing a combination of subject matter expertise ("SME") and
synthetic data generation for model training. We characterize our method's
performance using a set of model architectures. We demonstrate how this process
advances solving anomaly detection problems, specifically when the
characteristics of the anomalies are well known, and offer lessons learned from
applying our approach to real-world data.
- Abstract(参考訳): アメリカ合衆国は世界最大の法律サービスの流通業者であり、437億ドルの市場を代表している。
このうち、法人法務部門は法律事務所に800億ドルを支払っている。
法務部門は毎月、これらの法律事務所や法務機関から請求書を受け取り処理している。
法的な請求書の審査は、企業法務部門のリーダーにとって困難である。
複雑で複雑な法的な請求書には、ハンズオン法務作業からコピー、食事、旅行などの費用まで、数百行の請求書が含まれていることが多い。
請求書審査プロセスに関わる工数や精査は圧倒的に多い。
確立された請求ガイドライン、経験豊富な請求書審査者(典型的には高給の社内弁護士)、規則に基づく電子請求ツール("e-billing")など、一般的な保護措置が設けられても、多くの不一致が検出されない。
機械学習の目標は、法律事務所が企業顧客に対して提出した請求書に対する法的請求書審査プロセスの現在の欠陥を実証し、改善を検討することです。
本研究は,訴訟のライフサイクル(一連の事例レベルと請求項レベルの特徴を用いてモデル化)の適合性に基づいて,異常な請求項を検知するために,機械学習モデルアーキテクチャを適用したアプローチを詳述する。
本稿では, モデル学習に主観的専門知識(SME)と合成データ生成を組み合わせることで, ラベル付きデータがない場合に有効な手法について述べる。
モデルアーキテクチャのセットを用いて,提案手法の性能を特徴付ける。
我々は,このプロセスが異常検出問題,特に異常の特徴がよく知られている場合の解決にどのように進展するかを実証し,実世界データへのアプローチの適用から学んだ教訓を提供する。
関連論文リスト
- The Ethics of Automating Legal Actors [58.81546227716182]
我々は、裁判官の役割の自動化は、特に一般的な法体系において、難しい倫理的課題を提起すると主張している。
我々の主張は、単に法律を適用するのではなく、法律を積極的に形成する際の裁判官の社会的役割から従う。
モデルが人間レベルの能力を達成できたとしても、法的プロセスの自動化に固有の倫理的懸念は残るだろう。
論文 参考訳(メタデータ) (2023-12-01T13:48:46Z) - Factcheck-GPT: End-to-End Fine-Grained Document-Level Fact-Checking and
Correction of LLM Output [124.25862294329058]
本稿では,大規模言語モデル (LLM) 生成応答の事実性に注釈を付けるための総合的なエンドツーエンドソリューションを提案する。
ラベル付け手順を高速化し、ラッカーの作業を簡単にするためのアノテーションツールを設計し、構築する。
オープンドメインの文書レベルの事実性ベンチマークを3段階のクレーム,文,文書で構築する。
論文 参考訳(メタデータ) (2023-11-15T14:41:57Z) - MUSER: A Multi-View Similar Case Retrieval Dataset [65.36779942237357]
類似事例検索(SCR)は、司法公正の促進に重要な役割を果たす代表的法的AIアプリケーションである。
既存のSCRデータセットは、ケース間の類似性を判断する際にのみ、事実記述セクションにフォーカスする。
本稿では,多視点類似度測定に基づく類似事例検索データセットMと,文レベル法定要素アノテーションを用いた包括的法定要素を提案する。
論文 参考訳(メタデータ) (2023-10-24T08:17:11Z) - Leveraging Large Language Models for Topic Classification in the Domain
of Public Affairs [65.9077733300329]
大規模言語モデル (LLM) は公務員文書の分析を大幅に強化する可能性を秘めている。
LLMは、公共の分野など、ドメイン固有のドキュメントを処理するのに非常に役立ちます。
論文 参考訳(メタデータ) (2023-06-05T13:35:01Z) - 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) - SAILER: Structure-aware Pre-trained Language Model for Legal Case
Retrieval [75.05173891207214]
判例検索は知的法体系において中心的な役割を果たす。
既存の言語モデルの多くは、異なる構造間の長距離依存関係を理解するのが難しい。
本稿では, LEgal ケース検索のための構造対応プレトランザクショナル言語モデルを提案する。
論文 参考訳(メタデータ) (2023-04-22T10:47:01Z) - Parameter-Efficient Legal Domain Adaptation [39.51442413250532]
本稿では,法定事前学習を行うために,公共の法律フォーラムから収集された膨大な教師なしの法定データを用いて,パラメータ効率の高い法定ドメイン適応を提案する。
提案手法は,モデルパラメータの約0.1%をチューニングしながら,既存モデルのショット性能を上回るか,あるいは一致させる。
我々の知る限りでは、この研究は、言語モデルを法域に向けてチューニングするパラメータ効率の高い手法を最初に探求するものである。
論文 参考訳(メタデータ) (2022-10-25T02:14:15Z) - Learning Bill Similarity with Annotated and Augmented Corpora of Bills [9.910141281434319]
我々は,サブセクションレベルで4,721件の請求-請求関係の人間ラベル付きデータセットを構築した。
我々は複雑な紙幣作成過程を模倣して、類似度の異なる合成データを生成する。
トレーニングされたモデルを用いて、セクションレベルの類似点と請求値レベルの類似点を推測する。
論文 参考訳(メタデータ) (2021-09-14T08:50:06Z) - Lawformer: A Pre-trained Language Model for Chinese Legal Long Documents [56.40163943394202]
我々は,中国法定長文理解のためのLongformerベースの事前学習言語モデル,Lawformerをリリースする。
判決の予測,類似事例の検索,法的読解,法的質問の回答など,さまざまな法務上の課題について法務担当者を評価した。
論文 参考訳(メタデータ) (2021-05-09T09:39:25Z) - Distinguish Confusing Law Articles for Legal Judgment Prediction [30.083642130015317]
LJP(Lawal Judgment Prediction)は、その事実を記述したテキストが与えられた場合、訴訟の判断結果を自動的に予測するタスクである。
LJP の課題を解決するために,エンド・ツー・エンドのモデル LADAN を提案する。
論文 参考訳(メタデータ) (2020-04-06T11:09:44Z) - Online Similarity Learning with Feedback for Invoice Line Item Matching [3.0803859277148535]
大企業におけるP2P(Properure to Pay Process)は、企業運営のための製品やサービスの調達を扱う。
P2Pプロセスを編成するエージェントは、請求書内の製品やサービス記述と購入順に一致する問題に遭遇することが多い。
本稿では, 各種エージェントのフィードバックデータを用いて, この問題を解決するための2つの方法を提案する。
論文 参考訳(メタデータ) (2020-01-02T01:28:56Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。