論文の概要: Learning Fine-grained Fact-Article Correspondence in Legal Cases

• arxiv url: http://arxiv.org/abs/2104.10726v1
• Date: Wed, 21 Apr 2021 19:06:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-24 01:59:56.799399
• Title: Learning Fine-grained Fact-Article Correspondence in Legal Cases
• Title（参考訳）: 判例における細かな事実記事対応の学習
• Authors: Jidong Ge, Yunyun huang, Xiaoyu Shen, Chuanyi Li, Wei Hu and Bin Luo
• Abstract要約: 我々は,手作業によるファクト・パーティクル対応を用いたコーパスを作成する。 我々はランダムフォレストと前提決定対の形で記事を解析する。 我々の最良のシステムは96.3%のF1スコアに達し、実用上大きな可能性を秘めている。
• 参考スコア（独自算出の注目度）: 19.606628325747938
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatically recommending relevant law articles to a given legal case has attracted much attention as it can greatly release human labor from searching over the large database of laws. However, current researches only support coarse-grained recommendation where all relevant articles are predicted as a whole without explaining which specific fact each article is relevant with. Since one case can be formed of many supporting facts, traversing over them to verify the correctness of recommendation results can be time-consuming. We believe that learning fine-grained correspondence between each single fact and law articles is crucial for an accurate and trustworthy AI system. With this motivation, we perform a pioneering study and create a corpus with manually annotated fact-article correspondences. We treat the learning as a text matching task and propose a multi-level matching network to address it. To help the model better digest the content of law articles, we parse articles in form of premise-conclusion pairs with random forest. Experiments show that the parsed form yielded better performance and the resulting model surpassed other popular text matching baselines. Furthermore, we compare with previous researches and find that establishing the fine-grained fact-article correspondences can improve the recommendation accuracy by a large margin. Our best system reaches an F1 score of 96.3%, making it of great potential for practical use. It can also significantly boost the downstream
• Abstract（参考訳）: 法律の大規模なデータベースの検索から人的労働力を大幅に解放できるため、関連する法律記事を自動的に推奨することが注目されている。 しかし、現在の研究は、各記事が関連する特定の事実を説明することなく、すべての関連記事が全体として予測される粗粒度推奨のみをサポートする。 1つのケースは多くの支持事実から形成できるので、推奨結果の正確性を検証するためにそれらを横断することは時間がかかります。 私たちは、個々の事実と法律記事のきめ細かい対応を学習することが、正確で信頼できるAIシステムにとって不可欠であると信じています。 このモチベーションにより、我々は先駆的な研究を行い、手動で注釈付き事実-事実対応のコーパスを作成します。 学習をテキストマッチングタスクとして扱い,それに対処するマルチレベルマッチングネットワークを提案する。 論文の内容をより分かりやすくするために,論文をランダムな森林との前提と結論のペアとして解析する。 実験により、解析された形式はより良い性能を示し、結果のモデルは他の一般的なテキストマッチングベースラインを上回った。 さらに,先行研究と比較し,細粒度事実記事対応の確立により推薦精度が大幅に向上することを確認した。 我々の最良のシステムは96.3%のF1スコアに達し、実用上大きな可能性を秘めている。 下流を著しく増やすこともできます

関連論文リスト

• 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)
• Citation Recommendation on Scholarly Legal Articles [0.0]
  引用推奨は、法的領域内で、支持する議論を特定するために使用される。 BM25は、法的な引用推奨タスクの強力なベンチマークである。 微調整により、事前訓練されたモデルの性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-11-10T07:11:55Z)
• CausalCite: A Causal Formulation of Paper Citations [80.82622421055734]
  CausalCiteは紙の意義を測定するための新しい方法だ。 これは、従来のマッチングフレームワークを高次元のテキスト埋め込みに適応させる、新しい因果推論手法であるTextMatchに基づいている。 科学専門家が報告した紙衝撃と高い相関性など,各種基準におけるCausalCiteの有効性を実証する。
  論文  参考訳（メタデータ） (2023-11-05T23:09:39Z)
• Attentive Deep Neural Networks for Legal Document Retrieval [2.4350217735794337]
  法令文書検索における注意型ニューラルネットワークを用いたテキスト表現法について検討した。 長い文や記事を表すために,2つの階層型アーキテクチャを開発し,それをAttentive CNN と Paraformer と命名する。 実験結果から,知覚的ニューラル法は,データセットや言語間での検索性能において,非神経的手法を著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2022-12-13T01:37:27Z)
• GERE: Generative Evidence Retrieval for Fact Verification [57.78768817972026]
  本稿では,ジェネレーション方式で証拠を検索する最初のシステムであるGEREを提案する。 FEVERデータセットの実験結果は、GEREが最先端のベースラインよりも大幅に改善されていることを示している。
  論文  参考訳（メタデータ） (2022-04-12T03:49:35Z)
• Assisting the Human Fact-Checkers: Detecting All Previously Fact-Checked Claims in a Document [27.076320857009655]
  入力文書が与えられた場合、以前に事実確認されたクレームによって検証可能なクレームを含むすべての文を検出することを目的としている。 出力は文書文の再ランクリストであり、検証可能なものは可能な限り高くランク付けされる。 本分析は,テキストの類似性やスタンスをモデル化することの重要性を実証すると同時に,検索した事実チェックされたクレームの正確性も考慮する。
  論文  参考訳（メタデータ） (2021-09-14T13:46:52Z)
• Toward the Understanding of Deep Text Matching Models for Information Retrieval [72.72380690535766]
  本稿では,既存の深層テキストマッチング手法が情報検索の基本的な勾配を満たすかどうかを検証することを目的とする。 具体的には, 項周波数制約, 項識別制約, 長さ正規化制約, TF長制約の4つの属性を用いる。 LETOR 4.0 と MS Marco の実験結果から,研究対象の深層テキストマッチング手法はすべて,統計学において高い確率で上記の制約を満たすことが示された。
  論文  参考訳（メタデータ） (2021-08-16T13:33:15Z)
• Evaluating Document Representations for Content-based Legal Literature Recommendations [6.4815284696225905]
  法律レコメンデータシステムは一般に、公開ベンチマークデータセットを使わずに、小規模のユーザスタディで評価される。 テキストベース(例えば、fastText, Transformers)、引用ベース(例えば、DeepWalk, Poincar'e)、ハイブリッドメソッドを評価します。 実験の結果, 平均化したfastTextワードベクトル(法定コーパスで学習した)の文書表現が最良であることがわかった。
  論文  参考訳（メタデータ） (2021-04-28T15:48:19Z)
• Abstractive Summarization of Spoken and Written Instructions with BERT [66.14755043607776]
  本稿では,BERTSumモデルの最初の対話型言語への応用について述べる。 我々は多種多様な話題にまたがるナレーションビデオの抽象要約を生成する。 我々は、これをインテリジェントな仮想アシスタントの機能として統合し、要求に応じて文字と音声の両方の指導内容の要約を可能にすることを想定する。
  論文  参考訳（メタデータ） (2020-08-21T20:59:34Z)
• Learning Neural Textual Representations for Citation Recommendation [7.227232362460348]
  サブモジュラースコアリング機能において,シームズとトリプルトネットワークを併用した文書(センテンス-BERT)の深部表現を用いた引用推薦手法を提案する。 我々の知る限りでは、これは引用推薦のタスクに対して、ディープ表現とサブモジュラー選択を組み合わせるための最初のアプローチである。
  論文  参考訳（メタデータ） (2020-07-08T12:38:50Z)
• Context-Based Quotation Recommendation [60.93257124507105]
  本稿では,新しい文脈対応引用レコメンデーションシステムを提案する。 これは、所定のソース文書から引用可能な段落とトークンの列挙リストを生成する。 音声テキストと関連するニュース記事の収集実験を行う。
  論文  参考訳（メタデータ） (2020-05-17T17:49:53Z)

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。