論文の概要: On the Role of Negative Precedent in Legal Outcome Prediction
- arxiv url: http://arxiv.org/abs/2208.08225v2
- Date: Thu, 6 Oct 2022 09:29:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 10:34:02.066998
- Title: On the Role of Negative Precedent in Legal Outcome Prediction
- Title(参考訳): 法的結果予測における否定的前例の役割について
- Authors: Josef Valvoda, Ryan Cotterell, Simone Teufel
- Abstract要約: ポジティブな結果の予測である法的結果の予測は、AIにおいてますます一般的なタスクである。
ここでは、ネガティブな結果に焦点をあて、ネガティブな結果予測の新しいタスクを導入します。
正および負の結果を予測する既存モデルの非対称性を発見する。
裁判所手続きのダイナミクスにインスパイアされた2つの新しいモデルを開発する。
- 参考スコア(独自算出の注目度): 65.30798081417115
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Every legal case sets a precedent by developing the law in one of the
following two ways. It either expands its scope, in which case it sets positive
precedent, or it narrows it, in which case it sets negative precedent. Legal
outcome prediction, the prediction of positive outcome, is an increasingly
popular task in AI. In contrast, we turn our focus to negative outcomes here,
and introduce a new task of negative outcome prediction. We discover an
asymmetry in existing models' ability to predict positive and negative
outcomes. Where the state-of-the-art outcome prediction model we used predicts
positive outcomes at 75.06 F1, it predicts negative outcomes at only 10.09 F1,
worse than a random baseline. To address this performance gap, we develop two
new models inspired by the dynamics of a court process. Our first model
significantly improves positive outcome prediction score to 77.15 F1 and our
second model more than doubles the negative outcome prediction performance to
24.01 F1. Despite this improvement, shifting focus to negative outcomes reveals
that there is still much room for improvement for outcome prediction models.
- Abstract(参考訳): あらゆる訴訟は、以下の2つの方法のいずれかで法律を開発することによって前例を定めている。
範囲を広げて、肯定的な前例を設定するか、狭めるか、否定的な前例を作るかのどちらかである。
ポジティブな結果の予測である法的結果予測は、AIにおいてますます一般的なタスクである。
対照的に、私たちはここでネガティブな結果に焦点をあて、ネガティブな結果予測の新しいタスクを導入します。
正および負の結果を予測する既存モデルの非対称性を発見する。
私たちが使用した最先端の結果予測モデルは75.06 F1で正の結果を予測するが、ランダムなベースラインよりも悪い10.09 F1で負の結果を予測する。
この性能ギャップに対処するために、裁判所プロセスのダイナミクスに触発された2つの新しいモデルを開発する。
第1モデルは 77.15 F1 に,第2モデルは24.01 F1 に負の結果予測性能を2倍以上に向上させる。
この改善にもかかわらず、ネガティブな結果に焦点を移すことで、結果予測モデルにはまだ改善の余地が残っていることが分かる。
関連論文リスト
- Building Defect Prediction Models by Online Learning Considering Defect Overlooking [1.5869998695491834]
オンライン学習に基づく欠陥予測モデルの構築は、予測精度を向上させることができる。
非欠陥(non-defective)"と予測されるモジュールは、そのようなモジュールのテストケースが少なくなる可能性がある。
誤テスト結果は、オンライン学習による学習データとして使用され、予測精度に悪影響を及ぼす可能性がある。
論文 参考訳(メタデータ) (2024-04-17T03:20:46Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - Linking a predictive model to causal effect estimation [21.869233469885856]
本稿では、まず、ある事例における結果に対する特徴(治療としての)の因果効果を推定する挑戦に取り組む。
理論的結果は、予測モデルを因果効果推定に自然に関連付け、予測モデルが因果的解釈可能であることを示唆する。
本稿では, 種々の予測モデルを用いて, 条件を満たす場合, 特徴の因果効果を, 最先端の因果効果推定法と同じくらい正確に推定できることを実証する。
論文 参考訳(メタデータ) (2023-04-10T13:08:16Z) - Pathologies of Pre-trained Language Models in Few-shot Fine-tuning [50.3686606679048]
実例が少ない事前学習言語モデルはラベル間に強い予測バイアスを示すことを示す。
わずかな微調整で予測バイアスを軽減できるが,本分析では,非タスク関連の特徴を捉えることで,モデルの性能向上を図っている。
これらの観察は、より少ない例でモデルのパフォーマンスを追求することは、病理学的予測行動を引き起こす可能性があることを警告する。
論文 参考訳(メタデータ) (2022-04-17T15:55:18Z) - Constrained Generalized Additive 2 Model with Consideration of
High-Order Interactions [0.39146761527401425]
一般化加法2モデル(GA2M)に基づくCGA2M+を提案する。
本研究では,一般化加法2モデル(GA2M)に基づくCGA2M+を提案する。
論文 参考訳(メタデータ) (2021-06-05T08:31:20Z) - Sample Selection Bias in Evaluation of Prediction Performance of Causal
Models [0.0]
因果モデルは、共起に関する証明不可能な仮定を行うため、検証が難しいことが知られている。
ケメレンの遺伝的摂動データセットを用いて,最近提案されたいくつかの因果関係モデルの予測性能を再検討した。
サンプル選択バイアスがモデル性能の重要な要因であることに気付きました。
論文 参考訳(メタデータ) (2021-06-03T15:15:30Z) - Positive-Congruent Training: Towards Regression-Free Model Updates [87.25247195148187]
画像分類において、サンプルワイドの不整合は「負のフリップ」として現れる
新しいモデルは、古い(参照)モデルによって正しく分類されたテストサンプルの出力を誤って予測する。
そこで本研究では,PC トレーニングのための簡易なアプローチである Focal Distillation を提案する。
論文 参考訳(メタデータ) (2020-11-18T09:00:44Z) - Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。
我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。
このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
論文 参考訳(メタデータ) (2020-10-15T16:39:26Z) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳(メタデータ) (2020-06-30T15:49:05Z) - Performative Prediction [31.876692592395777]
本研究では,統計学,ゲーム理論,因果関係から概念を取り入れたパフォーマンス予測フレームワークを開発する。
概念的新奇性(conceptual novelty)は、私たちがパフォーマンス安定性と呼ぶ平衡概念である。
我々の主な成果は、ほぼ最小損失の演奏安定点への再訓練の収束に必要な十分条件である。
論文 参考訳(メタデータ) (2020-02-16T20:29:42Z)
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。