論文の概要: Deconfounding Legal Judgment Prediction for European Court of Human Rights Cases Towards Better Alignment with Experts

• arxiv url: http://arxiv.org/abs/2210.13836v1
• Date: Tue, 25 Oct 2022 08:37:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 14:39:39.365153
• Title: Deconfounding Legal Judgment Prediction for European Court of Human Rights Cases Towards Better Alignment with Experts
• Title（参考訳）: 欧州人権裁判所における専門家との整合性向上に向けた法的判断予測の解除
• Authors: T.Y.S.S Santosh, Shanshan Xu, Oana Ichim and Matthias Grabmair
• Abstract要約: この研究は、専門家による調整を伴わない法的な判断予測システムは、浅い表面信号に対して脆弱であることを示す。 これを緩和するために、私たちは統計的に予測されるが法的に無関係な情報を戦略的に識別するために、ドメインの専門知識を使用します。
• 参考スコア（独自算出の注目度）: 1.252149409594807
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work demonstrates that Legal Judgement Prediction systems without expert-informed adjustments can be vulnerable to shallow, distracting surface signals that arise from corpus construction, case distribution, and confounding factors. To mitigate this, we use domain expertise to strategically identify statistically predictive but legally irrelevant information. We adopt adversarial training to prevent the system from relying on it. We evaluate our deconfounded models by employing interpretability techniques and comparing to expert annotations. Quantitative experiments and qualitative analysis show that our deconfounded model consistently aligns better with expert rationales than baselines trained for prediction only. We further contribute a set of reference expert annotations to the validation and testing partitions of an existing benchmark dataset of European Court of Human Rights cases.
• Abstract（参考訳）: 本研究は, コーパス構成, 事例分布, コンファウンデーション要因から生じる浅く邪魔な表面信号に対して, 専門的な調整を伴わない法的判断予測システムが脆弱であることを示す。 これを緩和するために、私たちは統計的に予測されるが法的に無関係な情報を戦略的に識別するためにドメインの専門知識を使用します。 我々は、システムに頼らないよう、敵の訓練を採用する。 我々は、解釈可能性技術を採用し、専門家のアノテーションと比較することで、デコンファウンデーションモデルを評価する。 定量的実験と質的分析により, 予測のみのために訓練されたベースラインよりも, 分離されたモデルと専門家の合理性が一貫して一致していることが示された。 さらに、欧州人権裁判所の既存のベンチマークデータセットの検証とテストの分割に、リファレンスエキスパートアノテーションのセットを寄贈します。

関連論文リスト

• Achieving Fairness in Predictive Process Analytics via Adversarial Learning [50.31323204077591]
  本稿では、デバイアスフェーズを予測ビジネスプロセス分析に組み込むことの課題に対処する。 本研究の枠組みは, 4つのケーススタディで検証し, 予測値に対する偏り変数の寄与を著しく低減することを示した。
  論文  参考訳（メタデータ） (2024-10-03T15:56:03Z)
• Editable Fairness: Fine-Grained Bias Mitigation in Language Models [52.66450426729818]
  個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。 これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-07T17:14:58Z)
• Enabling Discriminative Reasoning in LLMs for Legal Judgment Prediction [23.046342240176575]
  人間の推論に触発されたAsk-Discriminate-Predict(ADAPT)推論フレームワークを紹介する。 ADAPTは、ケース事実を分解し、潜在的な電荷を識別し、最終的な判断を予測する。 広く利用されている2つのデータセットに対して行われた実験は、法的な判断予測において、我々のフレームワークの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-02T05:43:15Z)
• Legal Judgment Reimagined: PredEx and the Rise of Intelligent AI Interpretation in Indian Courts [6.339932924789635]
  textbfPrediction with textbfExplanation (textttPredEx)は、インドの文脈における法的判断予測と説明のための、専門家による最大のデータセットである。 このコーパスは、法的分析におけるAIモデルのトレーニングと評価を大幅に強化する。
  論文  参考訳（メタデータ） (2024-06-06T14:57:48Z)
• Backdoor-based Explainable AI Benchmark for High Fidelity Evaluation of Attribution Methods [49.62131719441252]
  属性法は入力特徴の重要度を計算し、深層モデルの出力予測を説明する。 本研究はまず,属性手法の信頼性ベンチマークが満たすであろう信頼度基準の集合を同定する。 次に、望ましい忠実度基準に準拠したBackdoorベースのeXplainable AIベンチマーク(BackX)を紹介します。
  論文  参考訳（メタデータ） (2024-05-02T13:48:37Z)
• Towards Explainability and Fairness in Swiss Judgement Prediction: Benchmarking on a Multilingual Dataset [2.7463268699570134]
  本研究は法定判断予測(LJP)モデルにおける説明可能性と公正性の領域を掘り下げるものである。 我々は,最先端モノリンガルおよび多言語BERTに基づくLJPモデルの説明可能性の評価を行った。 そこで我々は,下級裁判所情報の影響を定量的に予測できる新しい評価枠組みであるLCI(Lower Court Insertion)を導入する。
  論文  参考訳（メタデータ） (2024-02-26T20:42:40Z)
• VECHR: A Dataset for Explainable and Robust Classification of Vulnerability Type in the European Court of Human Rights [2.028075209232085]
  VECHRは,脆弱性型分類と説明的根拠に基づく,新たな専門家によるマルチラベルデータセットである。 予測可能性と説明可能性の両方の観点から,VECHRの最先端モデルの性能をベンチマークする。 当社のデータセットは、パフォーマンス、説明可能性、堅牢性に関する大幅な改善の余地を提供する、ユニークな課題を呈しています。
  論文  参考訳（メタデータ） (2023-10-17T16:05:52Z)
• Debiasing Recommendation by Learning Identifiable Latent Confounders [49.16119112336605]
  コンバウンディングバイアスは、ユーザの露出とフィードバックの両方に影響を与える未測定変数の存在によって生じる。 既存の手法では,(1) 未測定変数について不確定な仮定を行うか,(2) 潜伏した共同創設者を直接ユーザの露出から推測する。 本稿では、上記の非識別問題の解決にプロキシ変数の集合を利用する新しい方法、すなわち、識別可能なデコノウ(iDCF)を提案する。
  論文  参考訳（メタデータ） (2023-02-10T05:10:26Z)
• Leveraging task dependency and contrastive learning for Legal Judgement Prediction on the European Court of Human Rights [1.252149409594807]
  欧州人権裁判所における法的判断予測実験について報告する。 我々のモデルは、対照的な損失を伴わないシングルタスクモデルとジョイントモデルに対して、小さなが一貫した予測性能の向上をもたらす。
  論文  参考訳（メタデータ） (2023-02-01T21:38:47Z)
• Excess risk analysis for epistemic uncertainty with application to variational inference [110.4676591819618]
  我々は、未知の分布からデータが生成される頻繁なセッティングにおいて、新しいEU分析を提示する。 一般化能力と、予測分布の分散やエントロピーなど、広く使用されているEUの測定値との関係を示す。 本研究では,PAC-ベイジアン理論に基づく予測とEU評価性能を直接制御する新しい変分推論を提案する。
  論文  参考訳（メタデータ） (2022-06-02T12:12:24Z)
• Unsupervised Learning of Debiased Representations with Pseudo-Attributes [85.5691102676175]
  教師なし方式で,単純かつ効果的な脱バイアス手法を提案する。 特徴埋め込み空間上でクラスタリングを行い、クラスタリング結果を利用して疑似属性を識別する。 次に,非偏り表現を学習するために,クラスタベースの新しい重み付け手法を用いる。
  論文  参考訳（メタデータ） (2021-08-06T05:20:46Z)

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。