論文の概要: Robust Deep Reinforcement Learning for Extractive Legal Summarization

• arxiv url: http://arxiv.org/abs/2111.07158v1
• Date: Sat, 13 Nov 2021 17:27:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-16 13:36:04.056290
• Title: Robust Deep Reinforcement Learning for Extractive Legal Summarization
• Title（参考訳）: 抽出法的要約のためのロバスト深層強化学習
• Authors: Duy-Hung Nguyen, Bao-Sinh Nguyen, Nguyen Viet Dung Nghiem, Dung Tien Le, Mim Amina Khatun, Minh-Tien Nguyen, and Hung Le
• Abstract要約: 本稿では,強化学習を用いて,現行の深層要約モデルを訓練し,法域における性能向上を図ることを提案する。 3つの公開法的データセットで一貫した、重要なパフォーマンス向上を観察します。
• 参考スコア（独自算出の注目度）: 13.577343899514396
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic summarization of legal texts is an important and still a challenging task since legal documents are often long and complicated with unusual structures and styles. Recent advances of deep models trained end-to-end with differentiable losses can well-summarize natural text, yet when applied to legal domain, they show limited results. In this paper, we propose to use reinforcement learning to train current deep summarization models to improve their performance on the legal domain. To this end, we adopt proximal policy optimization methods and introduce novel reward functions that encourage the generation of candidate summaries satisfying both lexical and semantic criteria. We apply our method to training different summarization backbones and observe a consistent and significant performance gain across 3 public legal datasets.
• Abstract（参考訳）: 法律文書は、しばしば長く複雑な構造やスタイルを持つため、法律文書の自動要約は重要な課題であり、それでも難しい課題である。 最近の深層モデルの訓練されたエンドツーエンドの差分損失は、自然テキストを十分に要約することができるが、法律領域に適用すると、結果が限られている。 本稿では,強化学習を用いて,現行の深層要約モデルの訓練を行い,法域における性能向上を図ることを提案する。 この目的のために、近似ポリシー最適化手法を採用し、語彙と意味の基準を満たす候補要約の生成を促す新しい報酬関数を導入する。 提案手法は,異なる要約バックボーンのトレーニングに応用し,3つの法定データセットにおける一貫性と大幅なパフォーマンス向上を観察する。

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)
• A Deep Learning-Based System for Automatic Case Summarization [2.9141777969894966]
  本稿では,効率的な自動ケース要約のためのディープラーニングに基づくシステムを提案する。 このシステムは、長い訴訟文書の簡潔かつ関連する要約を生成するための教師なしおよび教師なしの両方の方法を提供する。 今後の研究は、要約技術の改良と、我々の手法を他の種類の法的テキストに適用することに焦点を当てる。
  論文  参考訳（メタデータ） (2023-12-13T01:18:10Z)
• Enhancing Pre-Trained Language Models with Sentence Position Embeddings for Rhetorical Roles Recognition in Legal Opinions [0.16385815610837165]
  法的意見の規模は増え続けており、法的意見の修辞的役割を正確に予測できるモデルを開発することはますます困難になっている。 本稿では,文の位置情報に関する知識によって強化された事前学習言語モデル(PLM)を用いて,修辞的役割を自動的に予測する新しいモデルアーキテクチャを提案する。 LegalEval@SemEval2023コンペティションの注釈付きコーパスに基づいて、我々のアプローチではパラメータが少なく、計算コストが低下することを示した。
  論文  参考訳（メタデータ） (2023-10-08T20:33:55Z)
• Improving Factuality of Abstractive Summarization via Contrastive Reward Learning [77.07192378869776]
  本稿では,報酬学習と実効性指標の最近の発展を取り入れた,シンプルだが効果的なコントラスト学習フレームワークを提案する。 実証的研究により,提案手法により,実測値のフィードバックから要約モデルを学習できることが実証された。
  論文  参考訳（メタデータ） (2023-07-10T12:01:18Z)
• Factually Consistent Summarization via Reinforcement Learning with Textual Entailment Feedback [57.816210168909286]
  我々は,この問題を抽象的な要約システムで解くために,テキストエンテーメントモデルの最近の進歩を活用している。 我々は、事実整合性を最適化するために、レファレンスフリーのテキストエンターメント報酬を用いた強化学習を用いる。 自動測定と人的評価の両結果から,提案手法は生成した要約の忠実さ,サリエンス,簡潔さを著しく向上させることが示された。
  論文  参考訳（メタデータ） (2023-05-31T21:04:04Z)
• Extractive Summarization of Legal Decisions using Multi-task Learning and Maximal Marginal Relevance [3.6847375967256295]
  本稿では,限られた専門家アノテートデータを用いた低リソース環境における法的決定の抽出手法を提案する。 逐次モデルを用いて関連コンテンツを見つけるための一連のモデルを検証し,最大辺縁関係を利用して要約を構成する。 提案手法は,アノテーション間比較の結果と一致した要約を抽出し,ROUGEスコア vis-a-vis expert を得ることができることを示す。
  論文  参考訳（メタデータ） (2022-10-22T12:51:52Z)
• ArgLegalSumm: Improving Abstractive Summarization of Legal Documents with Argument Mining [0.2538209532048867]
  本稿では,議論ロールラベルを要約プロセスに統合することにより,法的文書の議論的構造を捉える手法を提案する。 事前訓練された言語モデルを用いた実験により,提案手法は強いベースラインよりも性能を向上することが示された。
  論文  参考訳（メタデータ） (2022-09-04T15:55:56Z)
• Text Revision by On-the-Fly Representation Optimization [76.11035270753757]
  現在の最先端手法は、これらのタスクをシーケンスからシーケンスまでの学習問題として定式化している。 並列データを必要としないテキストリビジョンのための反復的なインプレース編集手法を提案する。 テキストの単純化に関する最先端の教師付き手法よりも、競争力があり、パフォーマンスも向上する。
  論文  参考訳（メタデータ） (2022-04-15T07:38:08Z)
• Controllable Text Simplification with Explicit Paraphrasing [88.02804405275785]
  テキストの単純化は、語彙パラフレーズ、削除、分割など、いくつかの書き換え変換を通じて文の可読性を向上させる。 現在の単純化システムは、主にシーケンス・ツー・シーケンスのモデルであり、これらすべての操作を同時に実行するためにエンドツーエンドで訓練されている。 そこで我々は,言語的に動機づけられた規則を用いて分割と削除を行い,それらをニューラルパラフレーズモデルと組み合わせて様々な書き直しスタイルを創出するハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2020-10-21T13:44:40Z)
• Multi-Fact Correction in Abstractive Text Summarization [98.27031108197944]
  Span-Factは、質問応答モデルから学んだ知識を活用して、スパン選択によるシステム生成サマリーの補正を行う2つの事実補正モデルのスイートである。 我々のモデルは、ソースコードのセマンティック一貫性を確保するために、反復的または自動回帰的にエンティティを置き換えるために、シングルまたはマルチマスキング戦略を採用している。 実験の結果,自動測定と人的評価の両面において,要約品質を犠牲にすることなく,システム生成要約の事実整合性を大幅に向上させることができた。
  論文  参考訳（メタデータ） (2020-10-06T02:51:02Z)

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。