Fugu-MT 論文翻訳(概要): Multi-granularity Argument Mining in Legal Texts

論文の概要: Multi-granularity Argument Mining in Legal Texts

arxiv url: http://arxiv.org/abs/2210.09472v1
Date: Mon, 17 Oct 2022 23:28:22 GMT
ステータス: 処理完了
システム内更新日: 2022-10-19 15:14:18.229767
Title: Multi-granularity Argument Mining in Legal Texts
Title（参考訳）: 法文における多粒性引数マイニング
Authors: Huihui Xu and Kevin Ashley
Abstract要約: 我々はトークンレベル(すなわち単語レベル)の分類問題として引数マイニングを概念化する。その結果、トークンレベルのテキスト分類は、文章レベルのテキスト分類よりもより正確に、特定の法的議論要素を識別することを示した。
参考スコア（独自算出の注目度）: 0.913755431537592
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In this paper, we explore legal argument mining using multiple levels of granularity. Argument mining has usually been conceptualized as a sentence classification problem. In this work, we conceptualize argument mining as a token-level (i.e., word-level) classification problem. We use a Longformer model to classify the tokens. Results show that token-level text classification identifies certain legal argument elements more accurately than sentence-level text classification. Token-level classification also provides greater flexibility to analyze legal texts and to gain more insight into what the model focuses on when processing a large amount of input data.
Abstract（参考訳）: 本稿では,複数レベルの粒度を用いた法的議論マイニングについて検討する。論証マイニングは通常、文分類問題として概念化されている。本研究では,議論マイニングをトークンレベル(単語レベル)の分類問題として捉えた。トークンの分類にはLongformerモデルを使用します。その結果、トークンレベルのテキスト分類は、文章レベルのテキスト分類よりも正確に、特定の法的議論要素を識別することを示した。トークンレベルの分類はまた、法的なテキストを分析し、大量の入力データを処理する際にモデルが何に焦点を当てているかについてのさらなる洞察を得るための柔軟性を提供する。

関連論文リスト

Language Models for Text Classification: Is In-Context Learning Enough? [54.869097980761595]
最近の基礎言語モデルでは、ゼロショットや少数ショットの設定で多くのNLPタスクで最先端のパフォーマンスが示されている。より標準的なアプローチよりもこれらのモデルの利点は、自然言語(prompts)で書かれた命令を理解する能力である。これにより、アノテーション付きインスタンスが限られているドメインのテキスト分類問題に対処するのに適している。
論文参考訳（メタデータ） (2024-03-26T12:47:39Z)
Argue with Me Tersely: Towards Sentence-Level Counter-Argument Generation [62.069374456021016]
本稿では,文レベル逆問題生成のためのArgTerselyベンチマークを提案する。また,Arg-LlaMAによる高品質な逆問題生成手法を提案する。
論文参考訳（メタデータ） (2023-12-21T06:51:34Z)
Like a Good Nearest Neighbor: Practical Content Moderation and Text Classification [66.02091763340094]
LaGoNN(Good Nearest Neighbor)は、学習可能なパラメータを導入することなく、隣人の情報で入力テキストを変更するSetFitの変更である。 LaGoNNは望ましくないコンテンツやテキスト分類のフラグ付けに有効であり、SetFitのパフォーマンスを改善する。
論文参考訳（メタデータ） (2023-02-17T15:43:29Z)
Zero-Shot Classification by Logical Reasoning on Natural Language Explanations [56.42922904777717]
我々はCLOREフレームワークを提案する(説明の論理的推論による分類)。 CLOREは、説明を論理構造にパースし、入力のthess構造に沿って明示的に理由付け、分類スコアを生成する。また、我々のフレームワークは視覚的モダリティのゼロショット分類にまで拡張可能であることを示す。
論文参考訳（メタデータ） (2022-11-07T01:05:11Z)
LIME: Weakly-Supervised Text Classification Without Seeds [1.2691047660244335]
弱教師付きテキスト分類では、ラベル名のみが監督の源として機能する。弱教師付きテキスト分類のためのフレームワーク LIME を提案する。弱教師付き分類とテキスト・エンターメントを組み合わせることで、両者の欠点を軽減できることが判明した。
論文参考訳（メタデータ） (2022-10-13T04:28:28Z)
Perturbations and Subpopulations for Testing Robustness in Token-Based Argument Unit Recognition [6.502694770864571]
Argument Unit Recognition and Classification は、テキストから引数単位を識別し、それをpro または against として分類することを目的としている。このタスクのためにシステムを開発する際に必要となる設計上の選択の1つは、分類単位が何かである。従来の研究では、トークンレベルの微調整言語モデルは、文章を直接訓練するよりも、文章を分類する上でより堅牢な結果をもたらすことが示唆されている。当初この主張を導いた研究を再現し、トークンベースのシステムが文ベースのシステムと比較して何を学んだかをさらに調査する。
論文参考訳（メタデータ） (2022-09-29T13:44:28Z)
More Than Words: Towards Better Quality Interpretations of Text Classifiers [16.66535643383862]
MLモデルの入力インタフェースを考えると、トークンベースの解釈性は便利な第1選択であるが、あらゆる状況において最も効果的ではないことを示す。 1)ランダム化テストにより測定されるほど頑健であり,2)SHAPのような近似に基づく手法を用いた場合の変動性が低く,3)言語的コヒーレンスがより高い水準にある場合の人間には理解できない。
論文参考訳（メタデータ） (2021-12-23T10:18:50Z)
Clustering and Network Analysis for the Embedding Spaces of Sentences and Sub-Sentences [69.3939291118954]
本稿では,文とサブ文の埋め込みを対象とする包括的クラスタリングとネットワーク解析について検討する。その結果,1つの手法が最もクラスタリング可能な埋め込みを生成することがわかった。一般に、スパン部分文の埋め込みは、原文よりもクラスタリング特性が優れている。
論文参考訳（メタデータ） (2021-10-02T00:47:35Z)
"Sharks are not the threat humans are": Argument Component Segmentation in School Student Essays [3.632177840361928]
中学生が執筆した議論的エッセイのコーパスから,クレームと前提トークンを識別するためにトークンレベルの分類を適用する。 BERTに基づくマルチタスク学習アーキテクチャ(トークンと文レベルの分類)が、関連する未ラベルデータセット上で適応的に事前訓練され、最良の結果が得られることを示す。
論文参考訳（メタデータ） (2021-03-08T02:40:07Z)
Narrative Incoherence Detection [76.43894977558811]
本稿では,文間セマンティック理解のための新たなアリーナとして,物語不整合検出の課題を提案する。複数文の物語を考えると、物語の流れに意味的な矛盾があるかどうかを決定します。
論文参考訳（メタデータ） (2020-12-21T07:18:08Z)
Rank over Class: The Untapped Potential of Ranking in Natural Language Processing [8.637110868126546]
我々は、現在分類を用いて対処されている多くのタスクが、実際には分類モールドに切り替わっていると論じる。本稿では,一対のテキストシーケンスの表現を生成するトランスフォーマーネットワークからなる新しいエンドツーエンドランキング手法を提案する。重く歪んだ感情分析データセットの実験では、ランキング結果を分類ラベルに変換すると、最先端のテキスト分類よりも約22%改善する。
論文参考訳（メタデータ） (2020-09-10T22:18:57Z)

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。