論文の概要: LeSICiN: A Heterogeneous Graph-based Approach for Automatic Legal
Statute Identification from Indian Legal Documents
- arxiv url: http://arxiv.org/abs/2112.14731v1
- Date: Wed, 29 Dec 2021 18:39:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-30 15:31:12.009355
- Title: LeSICiN: A Heterogeneous Graph-based Approach for Automatic Legal
Statute Identification from Indian Legal Documents
- Title（参考訳）: LeSICiN:インド法典からの自動法規同定のための不均一グラフに基づくアプローチ
- Authors: Shounak Paul, Pawan Goyal and Saptarshi Ghosh
- Abstract要約: 法的法規識別 (LSI) は、法規の特定の記述や訴訟の証拠に関連する法規を特定することを目的としている。
既存の方法は、そのようなタスクを導くために、Factsと法的な記事のテキストコンテンツのみを利用する。
我々は、LSIタスクのためのテキストと法的な引用ネットワークの両方を利用するための第一歩を踏み出す。
- 参考スコア（独自算出の注目度）: 10.059041122060686
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The task of Legal Statute Identification (LSI) aims to identify the legal
statutes that are relevant to a given description of Facts or evidence of a
legal case. Existing methods only utilize the textual content of Facts and
legal articles to guide such a task. However, the citation network among case
documents and legal statutes is a rich source of additional information, which
is not considered by existing models. In this work, we take the first step
towards utilising both the text and the legal citation network for the LSI
task. We curate a large novel dataset for this task, including Facts of cases
from several major Indian Courts of Law, and statutes from the Indian Penal
Code (IPC). Modeling the statutes and training documents as a heterogeneous
graph, our proposed model LeSICiN can learn rich textual and graphical
features, and can also tune itself to correlate these features. Thereafter, the
model can be used to inductively predict links between test documents (new
nodes whose graphical features are not available to the model) and statutes
(existing nodes). Extensive experiments on the dataset show that our model
comfortably outperforms several state-of-the-art baselines, by exploiting the
graphical structure along with textual features. The dataset and our codes are
available at https://github.com/Law-AI/LeSICiN.
- Abstract（参考訳）: 法規識別タスク(英語: task of legal laws identification,lsi)は、与えられた事実または訴訟の証拠の記載に関連する法規を識別することを目的としている。
既存の手法では、事実と法的記事のテクストコンテンツのみを使用し、そのようなタスクを導く。
しかし、ケース文書と法規間の引用ネットワークは、既存のモデルでは考慮されていない追加情報の豊富な情報源である。
本研究は,LSIタスクにおけるテキストと法的な引用ネットワークの活用に向けた第一歩を踏み出したものである。
いくつかの主要なインド法裁判所の事例と、インド刑法典(IPC)の法令を含む、このタスクのための大きな新しいデータセットをキュレートする。
提案するモデルLeSICiNは,規則や文書を異種グラフとしてモデル化し,リッチテキストやグラフィカルな特徴を学習し,それらの特徴を相互に関連付けることができる。
その後、このモデルはテスト文書(モデルのグラフィカルな特徴が利用できない新しいノード)と法令(既存のノード)の間のリンクを誘導的に予測するのに使うことができる。
データセットに関する広範囲な実験により,本モデルがテキストの特徴とともにグラフィカルな構造を活用し,最先端のベースラインを快適に上回っていることが示された。
データセットとコードはhttps://github.com/Law-AI/LeSICiN.orgで公開されている。
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) - 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) - Constructing a Knowledge Graph for Vietnamese Legal Cases with
Heterogeneous Graphs [5.168558598888541]
本稿では,法律事例文書と関連する法律に関する知識グラフ構築手法を提案する。
当社のアプローチは,データクローリング,情報抽出,知識グラフ展開という3つの主要なステップで構成されています。
論文 参考訳（メタデータ） (2023-09-16T18:31:47Z) - CiteCaseLAW: Citation Worthiness Detection in Caselaw for Legal
Assistive Writing [44.75251805925605]
本稿では,Caselaw Access Project (CAP) の法域における引用・安心度検出のための178万文のラベル付きデータセットを紹介する。
本論文では,様々な深層学習モデルの性能について検討した。
ドメイン固有の事前学習モデルは、他のモデルよりも優れている傾向があり、88%のF1スコアが引用-可視性検出タスクである。
論文 参考訳（メタデータ） (2023-05-03T04:20:56Z) - 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) - Foundation Models and Fair Use [96.04664748698103]
米国や他の国では、著作権のあるコンテンツは、公正な使用原理のために責任を負わずに基礎モデルを構築するために使われることがある。
本研究では,著作権コンテンツに基づく基礎モデルの開発と展開の潜在的なリスクについて調査する。
基礎モデルが公正な使用と一致し続けるのに役立つ技術的緩和について論じる。
論文 参考訳（メタデータ） (2023-03-28T03:58:40Z) - Finding the Law: Enhancing Statutory Article Retrieval via Graph Neural
Networks [3.5880535198436156]
本稿では,グラフニューラルネットワークを用いて法制構造を組み込んだグラフ拡張高密度法規検索(G-DSR)モデルを提案する。
実験の結果,本手法は,実世界のエキスパートアノテートされたSARデータセットにおいて,強力な検索ベースラインよりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-01-30T12:59:09Z) - 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) - 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) - Text-guided Legal Knowledge Graph Reasoning [11.089663225933412]
本稿では,関連する法律規定を予測することを目的とした,新しい法律提供予測(lpp)の適用を提案する。
広東省庁のWebサイトから現実の法的規定データを収集し、LegalLPPという法的データセットを構築します。
論文 参考訳（メタデータ） (2021-04-06T04:42:56Z)
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。