論文の概要: A Korean Legal Judgment Prediction Dataset for Insurance Disputes

• arxiv url: http://arxiv.org/abs/2401.14654v1
• Date: Fri, 26 Jan 2024 05:26:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-29 15:50:19.029448
• Title: A Korean Legal Judgment Prediction Dataset for Insurance Disputes
• Title（参考訳）: 保険紛争に対する韓国の法的判断予測データセット
• Authors: Alice Saebom Kwak, Cheonkam Jeong, Ji Weon Lim, and Byeongcheol Min
• Abstract要約: 本稿では,保険紛争に対する韓国の法的判断予測(LJP)データセットを紹介する。 保険紛争におけるLJPモデルの成功は、保険会社とその顧客にとって利益となる。 紛争調停プロセスに進むと結果がどうなるかを予測することで、双方の時間とお金を節約できる。
• 参考スコア（独自算出の注目度）: 0.07499722271664146
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper introduces a Korean legal judgment prediction (LJP) dataset for insurance disputes. Successful LJP models on insurance disputes can benefit insurance companies and their customers. It can save both sides' time and money by allowing them to predict how the result would come out if they proceed to the dispute mediation process. As is often the case with low-resource languages, there is a limitation on the amount of data available for this specific task. To mitigate this issue, we investigate how one can achieve a good performance despite the limitation in data. In our experiment, we demonstrate that Sentence Transformer Fine-tuning (SetFit, Tunstall et al., 2022) is a good alternative to standard fine-tuning when training data are limited. The models fine-tuned with the SetFit approach on our data show similar performance to the Korean LJP benchmark models (Hwang et al., 2022) despite the much smaller data size.
• Abstract（参考訳）: 本稿では,保険紛争に対する韓国の法的判断予測(LJP)データセットを紹介する。 保険紛争におけるljpモデルの成功は、保険会社とその顧客に利益をもたらす。 紛争調停プロセスに進むと結果がどうなるかを予測することで、双方の時間とお金を節約できる。 低リソース言語ではよくあることだが、この特定のタスクで利用可能なデータ量には制限がある。 この問題を軽減するために,データの制限にもかかわらず,優れた性能を実現する方法について検討する。 実験では,SetFit,TunstallらによるSentence Transformer Fine-tuning(2022)が,トレーニングデータに制限がある場合の標準微調整の代替となることを示した。 我々のデータに対するsetFitアプローチで微調整されたモデルは、データサイズがはるかに小さいにもかかわらず、韓国のLJPベンチマークモデル(Hwang et al., 2022)と同様のパフォーマンスを示している。

関連論文リスト

• Certifiably Byzantine-Robust Federated Conformal Prediction [49.23374238798428]
  本稿では,悪意のあるクライアントに対する堅牢な共形予測を行う新しいフレームワークRob-FCPを提案する。 我々は、さまざまなビザンチン攻撃の下で、悪意のあるクライアントの多様な割合に対するRob-FCPの堅牢性を実証的に実証した。
  論文  参考訳（メタデータ） (2024-06-04T04:43:30Z)
• Optimal Transport for Fairness: Archival Data Repair using Small Research Data Sets [1.9540085115923316]
  我々は保護属性(S$)と保護されていない属性(U$)の条件独立性の観点から公正性を定義する。 我々はこれらのデータのごく一部だけを用いて、アーカイブデータのトレントを修復する必要がある重要な設定(研究データ)に対処する(S|U$-labelled)。 我々の業績は、大量のオフサンプル、ラベル付き(アーキバル)データを効果的に修復できることを実証している。
  論文  参考訳（メタデータ） (2024-03-20T09:23:20Z)
• Equal Opportunity of Coverage in Fair Regression [50.76908018786335]
  我々は、予測の不確実性の下で公正な機械学習(ML)を研究し、信頼性と信頼性のある意思決定を可能にする。 本研究は,(1)類似した結果の異なる集団に対するカバー率が近いこと,(2)人口全体のカバー率が一定水準にあること,の2つの特性を達成することを目的としたカバーの平等機会(EOC)を提案する。
  論文  参考訳（メタデータ） (2023-11-03T21:19:59Z)
• Precedent-Enhanced Legal Judgment Prediction with LLM and Domain-Model Collaboration [52.57055162778548]
  法的判断予測(LJP)は、法律AIにおいてますます重要な課題となっている。 先行は、同様の事実を持つ以前の訴訟であり、国家法制度におけるその後の事件の判断の基礎となっている。 近年のディープラーニングの進歩により、LJPタスクの解決に様々なテクニックが使えるようになった。
  論文  参考訳（メタデータ） (2023-10-13T16:47:20Z)
• Impact of Co-occurrence on Factual Knowledge of Large Language Models [25.89517624732426]
  大規模言語モデル(LLM)は、様々なアプリケーションで成功したにもかかわらず、事実的に誤った反応をすることが多い。 その結果,LLMは共起バイアスに弱いことが判明した。
  論文  参考訳（メタデータ） (2023-10-12T12:01:32Z)
• SILO Language Models: Isolating Legal Risk In a Nonparametric Datastore [159.21914121143885]
  推論中にこのリスクパフォーマンストレードオフを管理する新しい言語モデルであるSILOを提案する。 SILOは(1)オープンライセンスコーパス(OLC)上でパラメトリックLMをトレーニングすることで構築されます。 データストアへのアクセスはドメインのパフォーマンスを大幅に改善し、PileでトレーニングされたLMでパフォーマンスギャップの90%を閉じる。
  論文  参考訳（メタデータ） (2023-08-08T17:58:15Z)
• Predicting delays in Indian lower courts using AutoML and Decision Forests [0.0]
  本稿では,出願時に利用可能な事例情報に基づいて,インドの下級裁判所における遅延を予測する分類モデルを提案する。 このモデルは2010年に提出された4200万件の訴訟のデータセットと、10年間にわたる結果に基づいて構築されている。 最良のモデルは81.4%の精度を達成し、精度、リコール、F1は0.81であることが判明した。
  論文  参考訳（メタデータ） (2023-07-30T17:41:47Z)
• Membership Inference Attacks against Synthetic Data through Overfitting Detection [84.02632160692995]
  我々は、攻撃者が基礎となるデータ分布についてある程度の知識を持っていると仮定する現実的なMIA設定について論じる。 生成モデルの局所的なオーバーフィッティングをターゲットとして,メンバシップを推論することを目的とした密度ベースMIAモデルであるDOMIASを提案する。
  論文  参考訳（メタデータ） (2023-02-24T11:27:39Z)
• ClassActionPrediction: A Challenging Benchmark for Legal Judgment Prediction of Class Action Cases in the US [0.0]
  米国におけるクラスアクションケースに焦点を当てた、挑戦的なLJPデータセットを初めてリリースしました。 これは、裁判所がしばしば使用する事実の要約ではなく、苦情を入力として含む、より難しくより現実的なタスクに焦点を当てた、共通の法体系における最初のデータセットである。 我々のLongformerモデルは、最初の2,048トークンしか考慮していないにもかかわらず、明らかに人間のベースライン(63%)を上回っている。さらに、詳細なエラー解析を行い、Longformerモデルが人間の専門家よりも格付けがかなり優れていることを発見した。
  論文  参考訳（メタデータ） (2022-11-01T16:57:59Z)
• No Free Lunch in "Privacy for Free: How does Dataset Condensation Help Privacy" [75.98836424725437]
  データプライバシを保護するために設計された新しい手法は、慎重に精査する必要がある。 プライバシ保護の失敗は検出し難いが,プライバシ保護法を実装したシステムが攻撃された場合,破滅的な結果につながる可能性がある。
  論文  参考訳（メタデータ） (2022-09-29T17:50:23Z)

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。