論文の概要: From Graph to Word Bag: Introducing Domain Knowledge to Confusing Charge Prediction

• arxiv url: http://arxiv.org/abs/2403.04369v3
• Date: Sun, 24 Mar 2024 10:08:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-27 01:06:08.627154
• Title: From Graph to Word Bag: Introducing Domain Knowledge to Confusing Charge Prediction
• Title（参考訳）: グラフからワードバッグ: ドメイン知識の導入から電荷予測の混乱
• Authors: Ang Li, Qiangchao Chen, Yiquan Wu, Ming Cai, Xiang Zhou, Fei Wu, Kun Kuang,
• Abstract要約: 本稿では,紛らわしい突撃に対処する小説『From Graph to Word Bag』を紹介する。 まず、各電荷に対するキーワードの選択を支援するために、構成要素を含む法的な知識グラフを構築し、ワードバッグを形成する。 次に,注意機構を拡張し,単語バッグ内の単語を通して注意を誘導する新たな損失関数を導入する。
• 参考スコア（独自算出の注目度）: 40.02528608791124
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Confusing charge prediction is a challenging task in legal AI, which involves predicting confusing charges based on fact descriptions. While existing charge prediction methods have shown impressive performance, they face significant challenges when dealing with confusing charges, such as Snatch and Robbery. In the legal domain, constituent elements play a pivotal role in distinguishing confusing charges. Constituent elements are fundamental behaviors underlying criminal punishment and have subtle distinctions among charges. In this paper, we introduce a novel From Graph to Word Bag (FWGB) approach, which introduces domain knowledge regarding constituent elements to guide the model in making judgments on confusing charges, much like a judge's reasoning process. Specifically, we first construct a legal knowledge graph containing constituent elements to help select keywords for each charge, forming a word bag. Subsequently, to guide the model's attention towards the differentiating information for each charge within the context, we expand the attention mechanism and introduce a new loss function with attention supervision through words in the word bag. We construct the confusing charges dataset from real-world judicial documents. Experiments demonstrate the effectiveness of our method, especially in maintaining exceptional performance in imbalanced label distributions.
• Abstract（参考訳）: 電荷予測の混乱は、事実記述に基づく紛らわしい電荷の予測を含む、法的AIにおける困難なタスクである。 既存のチャージ予測手法は優れたパフォーマンスを示しているが、SnatchやRoberyといった紛らわしいチャージを扱う場合、大きな課題に直面している。 法的領域では、構成要素は紛らわしい電荷を区別する上で重要な役割を果たす。 構成要素は、刑事罰の基礎となる基本的な行動であり、罪状間で微妙に区別される。 本稿では,FWGB(From Graph to Word Bag)アプローチについて紹介する。この手法は,構成要素に関するドメイン知識を導入し,審査員の推論プロセスとよく似た,紛らわしい課金の判断をモデルに導く。 具体的には、まず、各電荷に対するキーワードの選択を支援するために、構成要素を含む法的な知識グラフを構築し、ワードバッグを形成する。 その後、コンテキスト内の各電荷の差分情報に対するモデルの注意を導くために、注意機構を拡張し、単語バッグ内の単語を通して注意を誘導する新たな損失関数を導入する。 現実の司法文書から紛らわしい料金データセットを構築する。 実験により本手法の有効性,特に不均衡ラベル分布における例外的性能の維持が示された。

関連論文リスト

• Distinguish Confusion in Legal Judgment Prediction via Revised Relation Knowledge [38.58529647679356]
  法的判断予測は,その事実のテキスト記述に基づいて,訴訟の判断結果を自動的に予測することを目的としている。 紛らわしい法律記事(または告訴)の問題は頻繁に発生し、類似記事(または告訴)に該当する法ケースが誤認される傾向があることを反映している。 本稿では、上記の課題を解決するために、textitD-LADAN というエンドツーエンドモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-18T09:44:59Z)
• Exploiting Contrastive Learning and Numerical Evidence for Confusing Legal Judgment Prediction [46.71918729837462]
  訴訟の事実記述文を考慮し、法的判断予測は、事件の告訴、法律記事、刑期を予測することを目的としている。 従来の研究では、標準的なクロスエントロピー分類損失と異なる分類誤差を区別できなかった。 本稿では,モコに基づく教師付きコントラスト学習を提案する。 さらに,事前学習した数値モデルにより符号化された抽出された犯罪量による事実記述の表現をさらに強化する。
  論文  参考訳（メタデータ） (2022-11-15T15:53:56Z)
• Do Charge Prediction Models Learn Legal Theory? [59.74220430434435]
  我々は、信頼できる電荷予測モデルが法的理論を考慮に入れるべきであると主張している。 本稿では,この課題に従わなければならない信頼に値するモデルの3つの原則を提案する。 以上の結果から,既存の電荷予測モデルはベンチマークデータセットの選択的原理に合致するが,そのほとんどが十分な感度が得られず,無害の予測を満たさないことが示唆された。
  論文  参考訳（メタデータ） (2022-10-31T07:32:12Z)
• Fine-grained Intent Classification in the Legal Domain [2.088409822555567]
  我々は、殺人、土地紛争、強盗、破産のいずれかの事例分類に属する93の法的文書のデータセットを紹介する。 このようなフレーズごとに微妙な意図を注釈し、読者のケースをより深く理解できるようにします。 目的語句の自動抽出における変換器モデルの性能解析を行う。
  論文  参考訳（メタデータ） (2022-05-06T23:57:17Z)
• UCPhrase: Unsupervised Context-aware Quality Phrase Tagging [63.86606855524567]
  UCPhraseは、教師なしの文脈対応のフレーズタグである。 我々は,一貫した単語列から,高品質なフレーズを銀のラベルとして表現する。 我々の設計は、最先端の事前訓練、教師なし、遠隔管理の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-05-28T19:44:24Z)
• Everything Has a Cause: Leveraging Causal Inference in Legal Text Analysis [62.44432226563088]
  因果推論は変数間の因果関係を捉えるプロセスである。 本論文では,事実記述から因果グラフを構築するための新たなグラフベース因果推論フレームワークを提案する。 GCIに含まれる因果知識を強力なニューラルネットワークに効果的に注入することで、パフォーマンスと解釈性が向上します。
  論文  参考訳（メタデータ） (2021-04-19T16:13:10Z)
• Unsupervised Extractive Summarization by Pre-training Hierarchical Transformers [107.12125265675483]
  教師なし抽出文書要約は、訓練中にラベル付き要約を用いることなく、文書から重要な文章を選択することを目的としている。 既存の手法は主にグラフベースで、文をノードとして、エッジの重みは文の類似性によって測定される。 教師なし抽出要約のための文のランク付けにはトランスフォーマーの注意が利用できることがわかった。
  論文  参考訳（メタデータ） (2020-10-16T08:44:09Z)
• Knowledge-aware Method for Confusing Charge Prediction [12.175889935022829]
  自動料金予測タスクは,刑事事件の事実記述に基づいて最終料金を決定することを目的としている。 本稿では、電荷に関する法的なスキーマ的知識を導入する知識適応型ニューラルネットワークモデルを提案する。 提案モデルでは,精度とF1スコア,特に紛らわしい電荷の処理において,他の最先端のベースラインよりも優れる。
  論文  参考訳（メタデータ） (2020-10-07T00:58:10Z)
• Distinguish Confusing Law Articles for Legal Judgment Prediction [30.083642130015317]
  LJP(Lawal Judgment Prediction)は、その事実を記述したテキストが与えられた場合、訴訟の判断結果を自動的に予測するタスクである。 LJP の課題を解決するために,エンド・ツー・エンドのモデル LADAN を提案する。
  論文  参考訳（メタデータ） (2020-04-06T11:09:44Z)

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。