論文の概要: Beyond Borders: Investigating Cross-Jurisdiction Transfer in Legal Case Summarization

• arxiv url: http://arxiv.org/abs/2403.19317v1
• Date: Thu, 28 Mar 2024 11:18:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-29 16:33:46.157757
• Title: Beyond Borders: Investigating Cross-Jurisdiction Transfer in Legal Case Summarization
• Title（参考訳）: 国境を越えて - 判例要約におけるクロス・ジャッジ・トランスファーの考察-
• Authors: T. Y. S. S Santosh, Vatsal Venkatkrishna, Saptarshi Ghosh, Matthias Grabmair,
• Abstract要約: 判例要約モデルの断続的一般化性について検討する。 具体的には、参照要約ができない対象の司法管轄区域の訴訟を効果的に要約する方法を検討する。
• 参考スコア（独自算出の注目度）: 2.9612936741643705
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Legal professionals face the challenge of managing an overwhelming volume of lengthy judgments, making automated legal case summarization crucial. However, prior approaches mainly focused on training and evaluating these models within the same jurisdiction. In this study, we explore the cross-jurisdictional generalizability of legal case summarization models.Specifically, we explore how to effectively summarize legal cases of a target jurisdiction where reference summaries are not available. In particular, we investigate whether supplementing models with unlabeled target jurisdiction corpus and extractive silver summaries obtained from unsupervised algorithms on target data enhances transfer performance. Our comprehensive study on three datasets from different jurisdictions highlights the role of pre-training in improving transfer performance. We shed light on the pivotal influence of jurisdictional similarity in selecting optimal source datasets for effective transfer. Furthermore, our findings underscore that incorporating unlabeled target data yields improvements in general pre-trained models, with additional gains when silver summaries are introduced. This augmentation is especially valuable when dealing with extractive datasets and scenarios featuring limited alignment between source and target jurisdictions. Our study provides key insights for developing adaptable legal case summarization systems, transcending jurisdictional boundaries.
• Abstract（参考訳）: 法律専門家は、膨大な数の長い判決を管理するという課題に直面しており、自動化された訴訟の要約が不可欠である。 しかし、以前のアプローチは、主に同じ管轄区域内でこれらのモデルを訓練し評価することに焦点を当てていた。 本研究は, 判例要約モデルの断続的一般化性について検討し, 特に, 参照要約ができない対象区域の訴訟を効果的に要約する方法を考察する。 特に,対象データに対する教師なしアルゴリズムから得られたラベル付き対象管轄権コーパスと抽出銀サマリーの補足モデルが転送性能を向上させるかを検討する。 異なる地区の3つのデータセットに関する包括的な研究は、転送性能の向上における事前学習の役割を強調している。 我々は、効率的な転送のために最適なソースデータセットを選択する際に、管轄的類似性の重要さに光を当てた。 さらに, 実験結果から, 未ラベル対象データの導入により, 一般的な事前学習モデルの改善が得られ, 銀サマリーの導入により, さらなるゲインがもたらされることが示唆された。 この拡張は、ソースとターゲットの管轄区域間の限定的なアライメントを含む抽出データセットやシナリオを扱う場合に特に有用である。 本研究は, 管轄区域を超越した, 適応可能な判例要約システムを開発する上で重要な知見を提供する。

関連論文リスト

• LawLLM: Law Large Language Model for the US Legal System [43.13850456765944]
  我々は,米国法域に特化して設計されたマルチタスクモデルであるLawLLM(Law Large Language Model)を紹介する。 類似症例検索(SCR)、PCR(Precedent Case Recommendation)、LJP(Lawal Judgment Prediction)においてLawLLMが優れている そこで本研究では,各タスクに対して,生の法定データをトレーニング可能な形式に変換する,カスタマイズされたデータ前処理手法を提案する。
  論文  参考訳（メタデータ） (2024-07-27T21:51:30Z)
• Query-driven Relevant Paragraph Extraction from Legal Judgments [1.2562034805037443]
  法律専門家は、クエリに直接対処する情報をピンポイントするために、長い法的判断をナビゲートすることに悩まされることが多い。 本稿では,クエリに基づく法的判断から関連する段落を抽出する作業に焦点をあてる。 本稿では,欧州人権裁判所(ECtHR)のケース・ロー・ガイドを用いて,この課題のための特別なデータセットを構築した。
  論文  参考訳（メタデータ） (2024-03-31T08:03:39Z)
• DELTA: Pre-train a Discriminative Encoder for Legal Case Retrieval via Structural Word Alignment [55.91429725404988]
  判例検索のための識別モデルであるDELTAを紹介する。 我々は浅層デコーダを利用して情報ボトルネックを作り、表現能力の向上を目指しています。 本手法は, 判例検索において, 既存の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2024-03-27T10:40:14Z)
• Leveraging Large Language Models for Relevance Judgments in Legal Case Retrieval [18.058942674792604]
  本稿では,訴訟の関連判断に適した新規な数ショットワークフローを提案する。 LLMと人的専門家の関連判断を比較することで,信頼性の高い関連判断が得られたことを実証的に示す。
  論文  参考訳（メタデータ） (2024-03-27T09:46:56Z)
• Low-Resource Court Judgment Summarization for Common Law Systems [32.13166048504629]
  CLSumは,多審理法裁判所判決文書を要約する最初のデータセットである。 これは、データ拡張、要約生成、評価において、大規模言語モデル(LLM)を採用する最初の裁判所判決要約作業である。
  論文  参考訳（メタデータ） (2024-03-07T12:47:42Z)
• 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)
• CaseEncoder: A Knowledge-enhanced Pre-trained Model for Legal Case Encoding [15.685369142294693]
  CaseEncoderは、データサンプリングと事前トレーニングフェーズの両方において、きめ細かい法的な知識を活用する法律文書エンコーダである。 CaseEncoderは、ゼロショットの判例検索において、既存の一般的な事前訓練モデルと法律固有の事前訓練モデルの両方を著しく上回っている。
  論文  参考訳（メタデータ） (2023-05-09T12:40:19Z)
• SAILER: Structure-aware Pre-trained Language Model for Legal Case Retrieval [75.05173891207214]
  判例検索は知的法体系において中心的な役割を果たす。 既存の言語モデルの多くは、異なる構造間の長距離依存関係を理解するのが難しい。 本稿では, LEgal ケース検索のための構造対応プレトランザクショナル言語モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T10:47:01Z)
• Balancing Discriminability and Transferability for Source-Free Domain Adaptation [55.143687986324935]
  従来のドメイン適応(DA)技術は、ドメイン不変表現を学習することでドメイン転送性を改善することを目的としている。 ラベル付けされたソースとラベル付けされていないターゲットへの同時アクセス要件は、ソースフリーなDA設定に適さない。 そこで本研究では,原文と翻訳サンプルの混在が識別可能性と伝達可能性のトレードオフを促進することを示す新しい知見を導出する。
  論文  参考訳（メタデータ） (2022-06-16T09:06:22Z)
• Towards Fair Knowledge Transfer for Imbalanced Domain Adaptation [61.317911756566126]
  本研究では,不均衡なドメイン間学習における公平性問題に対処するTowards Fair Knowledge Transferフレームワークを提案する。 具体的には、新規なクロスドメインミックスアップ生成を利用して、ターゲット情報でマイノリティソースセットを増強し、公正性を高める。 本モデルでは,2つのベンチマークで全体の精度を20%以上向上させる。
  論文  参考訳（メタデータ） (2020-10-23T06:29:09Z)

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。