論文の概要: CaseGNN++: Graph Contrastive Learning for Legal Case Retrieval with Graph Augmentation

• arxiv url: http://arxiv.org/abs/2405.11791v1
• Date: Mon, 20 May 2024 05:16:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 00:30:34.208086
• Title: CaseGNN++: Graph Contrastive Learning for Legal Case Retrieval with Graph Augmentation
• Title（参考訳）: CaseGNN++: グラフ拡張による法ケース検索のためのグラフコントラスト学習
• Authors: Yanran Tang, Ruihong Qiu, Yilun Liu, Xue Li, Zi Huang,
• Abstract要約: 法律ケース検索(LCR)は、特定のクエリケースに関連するケースを見つけることを目的とした、専門的な情報検索タスクである。 CaseGNN++は、エッジ情報とラベルデータを同時に利用してLCRモデルの潜在可能性を発見するために提案されている。
• 参考スコア（独自算出の注目度）: 25.574138465986977
• License:
• Abstract: Legal case retrieval (LCR) is a specialised information retrieval task that aims to find relevant cases to a given query case. LCR holds pivotal significance in facilitating legal practitioners in finding precedents. Most of existing LCR methods are based on traditional lexical models and language models, which have gained promising performance in retrieval. However, the domain-specific structural information inherent in legal documents is yet to be exploited to further improve the performance. Our previous work CaseGNN successfully harnesses text-attributed graphs and graph neural networks to address the problem of legal structural information neglect. Nonetheless, there remain two aspects for further investigation: (1) The underutilization of rich edge information within text-attributed case graphs limits CaseGNN to generate informative case representation. (2) The inadequacy of labelled data in legal datasets hinders the training of CaseGNN model. In this paper, CaseGNN++, which is extended from CaseGNN, is proposed to simultaneously leverage the edge information and additional label data to discover the latent potential of LCR models. Specifically, an edge feature-based graph attention layer (EUGAT) is proposed to comprehensively update node and edge features during graph modelling, resulting in a full utilisation of structural information of legal cases. Moreover, a novel graph contrastive learning objective with graph augmentation is developed in CaseGNN++ to provide additional training signals, thereby enhancing the legal comprehension capabilities of CaseGNN++ model. Extensive experiments on two benchmark datasets from COLIEE 2022 and COLIEE 2023 demonstrate that CaseGNN++ not only significantly improves CaseGNN but also achieves supreme performance compared to state-of-the-art LCR methods. Code has been released on https://github.com/yanran-tang/CaseGNN.
• Abstract（参考訳）: 法律ケース検索(LCR)は、特定のクエリケースに関連するケースを見つけることを目的とした、専門的な情報検索タスクである。 LCRは、法律実務者による先例発見の促進において重要な役割を担っている。 既存のLCR手法の多くは従来の語彙モデルと言語モデルに基づいており、検索において有望な性能を得ている。 しかし、法的文書に固有のドメイン固有の構造情報は、さらなる性能向上のためにまだ利用されていない。 これまでのCaseGNNでは、テキスト分散グラフとグラフニューラルネットワークをうまく利用して、法的構造情報の無視の問題に対処しています。 1) テキスト分散事例グラフにおけるリッチエッジ情報の未利用は,ケースGNN が情報伝達事例表現を生成するのを制限している。 2) 法的データセットにおけるラベル付きデータの不十分さは,CaseGNNモデルのトレーニングを妨げている。 本稿では、CaseGNNから拡張されたCaseGNN++を用いて、エッジ情報とラベルデータとを同時に利用し、LCRモデルの潜在可能性を発見する。 具体的には、エッジ特徴に基づくグラフアテンション層(EUGAT)を提案し、グラフモデリング中のノードとエッジの特徴を包括的に更新し、訴訟の構造情報をフル活用する。 さらに、CaseGNN++モデルにおいて、グラフ拡張による新しいグラフ対照的学習目標を開発し、追加のトレーニング信号を提供することにより、CaseGNN++モデルの法的な理解能力を向上する。 COLIEE 2022とCOLIEE 2023の2つのベンチマークデータセットに対する大規模な実験では、CaseGNN++はCaseGNNを大幅に改善するだけでなく、最先端のLCRメソッドと比較して最高のパフォーマンスを実現している。 コードはhttps://github.com/yanran-tang/CaseGNNで公開されている。

関連論文リスト

• Enhanced Expressivity in Graph Neural Networks with Lanczos-Based Linear Constraints [7.605749412696919]
  グラフニューラルネットワーク(GNN)はグラフ構造化データの処理に優れるが、リンク予測タスクでは性能が劣ることが多い。 グラフラプラシア行列の固有基底に誘導された部分グラフを埋め込むことによりGNNの表現性を高める新しい手法を提案する。 提案手法は,PubMedとOGBL-Vesselのデータセットから,5%と10%のデータしか必要とせず,20倍と10倍の高速化を実現する。
  論文  参考訳（メタデータ） (2024-08-22T12:22:00Z)
• Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
  グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。 GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。 以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-09-12T09:18:12Z)
• A Comprehensive Study on Large-Scale Graph Training: Benchmarking and Rethinking [124.21408098724551]
  グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である 本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。 提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
  論文  参考訳（メタデータ） (2022-10-14T03:43:05Z)
• A Class-Aware Representation Refinement Framework for Graph Classification [8.998543739618077]
  グラフ分類作業のためのクラス認識表現rEfinement (CARE) フレームワークを提案する。 CAREは単純だが強力なクラス表現を計算し、グラフ表現の学習をより良いクラス分離性へと導くためにそれらを注入する。 9つのベンチマークデータセット上の11のよく知られたGNNバックボーンを用いた実験は、そのGNNよりもCAREの優位性と有効性を検証する。
  論文  参考訳（メタデータ） (2022-09-02T10:18:33Z)
• Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
  本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。 提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-07-18T14:23:31Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• Black-box Node Injection Attack for Graph Neural Networks [29.88729779937473]
  被害者のGNNモデルを回避するためにノードを注入する可能性について検討する。 具体的には,グラフ強化学習フレームワークGA2Cを提案する。 本稿では,既存の最先端手法よりもGA2Cの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2022-02-18T19:17:43Z)
• How Can Graph Neural Networks Help Document Retrieval: A Case Study on CORD19 with Concept Map Generation [14.722791874800617]
  グラフニューラルネットワーク(GNN)は不規則データ上での表現学習のための強力なツールである。 概念マップとして表される構造化されていないテキストでは、GNNは文書検索のようなタスクに利用することができる。 大規模多分野データセット CORD-19 について実証的研究を行った。 その結果,提案したセマンティクス指向グラフ関数は,BM25検索した候補に基づいて,より優れた,より安定した性能が得られることがわかった。
  論文  参考訳（メタデータ） (2022-01-12T19:52:29Z)
• Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
  グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。 ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。 よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-10-04T03:42:09Z)
• Fast Learning of Graph Neural Networks with Guaranteed Generalizability: One-hidden-layer Case [93.37576644429578]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから実際に学習する上で、近年大きな進歩を遂げている。 回帰問題と二項分類問題の両方に隠れ層を持つGNNの理論的に基底的な一般化可能性解析を行う。
  論文  参考訳（メタデータ） (2020-06-25T00:45:52Z)

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。