Fugu-MT 論文翻訳(概要): Automating Defeasible Reasoning in Law

論文の概要: Automating Defeasible Reasoning in Law

arxiv url: http://arxiv.org/abs/2205.07335v1
Date: Sun, 15 May 2022 17:14:15 GMT
ステータス: 処理完了
システム内更新日: 2022-05-18 04:32:49.942257
Title: Automating Defeasible Reasoning in Law
Title（参考訳）: 法律におけるデファシブル推論の自動化
Authors: How Khang Lim, Avishkar Mahajan, Martin Strecker, Meng Weng Wong
Abstract要約: ルールベースのシステム、特に法的な規範と契約について、デファシブルな推論について研究する。我々は、ルールがどのように相互作用し、どのようにオーバーライドされるかを指定するルール修飾子を識別する。次に、これらの修飾子を排除した規則変換を定義し、規則を公式に翻訳する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: The paper studies defeasible reasoning in rule-based systems, in particular about legal norms and contracts. We identify rule modifiers that specify how rules interact and how they can be overridden. We then define rule transformations that eliminate these modifiers, leading in the end to a translation of rules to formulas. For reasoning with and about rules, we contrast two approaches, one in a classical logic with SMT solvers as proof engines, one in a non-monotonic logic with Answer Set Programming solvers.
Abstract（参考訳）: この論文は、ルールベースのシステム、特に法的規範と契約に関して、矛盾する推論を研究する。ルールがどのように相互作用し、どのようにオーバーライドされるかを指定するルール修飾子を識別する。そして、これらの修飾子を排除する規則変換を定義し、最終的に規則を公式に変換する。規則に関する推論については、smtソルバを証明エンジンとする古典論理と、解集合プログラミングソルバを持つ非単調論理の2つのアプローチを対比する。

関連論文リスト

Symbolic Working Memory Enhances Language Models for Complex Rule Application [87.34281749422756]
大規模言語モデル(LLM)は、顕著な推論性能を示しているが、多段階の推論に苦慮している。本稿では,外部ワーキングメモリを用いたLLMの拡張と,ルール適用のためのニューロシンボリックフレームワークを提案する。当社のフレームワークは,LLMベースのルール実装とシンボリックルールグラウンディングを反復的に実施する。
論文参考訳（メタデータ） (2024-08-24T19:11:54Z)
Logicbreaks: A Framework for Understanding Subversion of Rule-based Inference [20.057611113206324]
本研究では,大規模言語モデル (LLM) を早急に規定された規則に従う方法について検討する。 LLMはそのような規則を忠実に従えるが、悪意のあるプロンプトは理想化された理論的なモデルさえも誤解させる可能性があることを証明している。
論文参考訳（メタデータ） (2024-06-21T19:18:16Z)
Case-Based or Rule-Based: How Do Transformers Do the Math? [24.17722967327729]
変圧器はルールベースかケースベースの推論を数学問題に用いているかを検討する。入力に明示的なルールを提供し、次にトランスフォーマーに、ルールを段階的に引用し、従うように指示します。この大幅な改善は、LLMにルールを明示的に使用するように教えることが、ルールベースの推論を学習し、長さを一般化するのに役立つことを示している。
論文参考訳（メタデータ） (2024-02-27T17:41:58Z)
Can LLMs Reason with Rules? Logic Scaffolding for Stress-Testing and Improving LLMs [87.34281749422756]
大規模言語モデル(LLM)は、様々な推論タスクにおいて、印象的な人間的なパフォーマンスを実現している。しかし、その根底にある推論規則の熟達性は、人間の能力に欠ける。本稿では,推論ルールベースであるULogicを構築するための,推論ルール生成フレームワークを提案する。
論文参考訳（メタデータ） (2024-02-18T03:38:51Z)
Chain of Logic: Rule-Based Reasoning with Large Language Models [10.017812995997753]
ルールベースの推論は、一連の事実にルールを正確に適用することで、結論を引き出すことができます。そこで本研究では, 論理の連鎖という, 論理の分解と再構成を通じて規則に基づく推論を導く新しいプロンプト手法を提案する。我々は、LegalBenchベンチマークから3つの異なる構成規則を含む8つのルールベースの推論タスクにおける論理の連鎖を評価する。
論文参考訳（メタデータ） (2024-02-16T01:54:43Z)
Large Language Models can Learn Rules [106.40747309894236]
大規模言語モデル(LLM)を用いた推論のためのルールライブラリを学習するフレームワークであるHtTを提案する。リレーショナル推論、数値推論、概念学習に関する実験は、HtTが既存のプロンプト法を改善することを示す。学習されたルールは、異なるモデルや同じ問題の異なる形式にも転送可能である。
論文参考訳（メタデータ） (2023-10-10T23:07:01Z)
ChatRule: Mining Logical Rules with Large Language Models for Knowledge Graph Reasoning [107.61997887260056]
そこで我々は,知識グラフ上の論理ルールをマイニングするための大規模言語モデルの力を解き放つ新しいフレームワークChatRuleを提案する。具体的には、このフレームワークは、KGのセマンティック情報と構造情報の両方を活用するLLMベースのルールジェネレータで開始される。生成されたルールを洗練させるために、ルールランキングモジュールは、既存のKGから事実を取り入れてルール品質を推定する。
論文参考訳（メタデータ） (2023-09-04T11:38:02Z)
Deontic Meta-Rules [2.241042010144441]
この研究は、デオン的側面を考慮し、そのような論理的枠組みを拡張している。結果として得られるロジックは、ポリシーをモデル化できるだけでなく、多くの法体系で発生するよく知られた側面にも対処できる。
論文参考訳（メタデータ） (2022-09-23T07:48:29Z)
Learning Symbolic Rules for Reasoning in Quasi-Natural Language [74.96601852906328]
我々は,ルールを手作業で構築することなく,自然言語入力で推論できるルールベースシステムを構築した。本稿では,形式論理文と自然言語文の両方を表現可能な"Quasi-Natural"言語であるMetaQNLを提案する。提案手法は,複数の推論ベンチマークにおける最先端の精度を実現する。
論文参考訳（メタデータ） (2021-11-23T17:49:00Z)
Open Rule Induction [2.1248439796866228]
言語モデル(LM)に基づくルール生成は,ルールの表現力を高めるために提案される。 KBベースの手法は、データの共通点を発見することによってルールを誘導するが、現在のLMベースの手法は「ルールからの学習ルール」である、と我々は主張する。本稿では,LMの知識を生かしたオープンルールの導出を目的としたオープンルール誘導問題を提案する。
論文参考訳（メタデータ） (2021-10-26T11:20:24Z)
RNNLogic: Learning Logic Rules for Reasoning on Knowledge Graphs [91.71504177786792]
本稿では知識グラフに基づく推論のための論理規則の学習について研究する。論理規則は、予測に使用されるときに解釈可能な説明を提供するとともに、他のタスクに一般化することができる。既存の手法は、検索スペースの検索の問題や、スパース報酬による非効率な最適化に悩まされている。
論文参考訳（メタデータ） (2020-10-08T14:47:02Z)

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。