論文の概要: Enhancing Criminal Case Matching through Diverse Legal Factors
- arxiv url: http://arxiv.org/abs/2406.11172v1
- Date: Mon, 17 Jun 2024 03:23:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-18 18:33:51.812880
- Title: Enhancing Criminal Case Matching through Diverse Legal Factors
- Title（参考訳）: 異なる法的要因による刑事事件の一致の促進
- Authors: Jie Zhao, Ziyu Guan, Wei Zhao, Yue Jiang,
- Abstract要約: 逆法因子強化犯罪事例マッチング(DLF-CCM)という2段階の枠組みを提案する。
まず、DLF-CCMは、大規模な法的判断予測データセット上でLF抽出ネットワークを事前訓練するために、マルチタスク学習フレームワークを使用する。
ステージ2では、DLF-CCMがLF脱冗長モジュールを導入し、共有LFと排他LFを学習する。
- 参考スコア（独自算出の注目度）: 19.828923215013166
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Criminal case matching endeavors to determine the relevance between different criminal cases. Conventional methods predict the relevance solely based on instance-level semantic features and neglect the diverse legal factors (LFs), which are associated with diverse court judgments. Consequently, comprehensively representing a criminal case remains a challenge for these approaches. Moreover, extracting and utilizing these LFs for criminal case matching face two challenges: (1) the manual annotations of LFs rely heavily on specialized legal knowledge; (2) overlaps among LFs may potentially harm the model's performance. In this paper, we propose a two-stage framework named Diverse Legal Factor-enhanced Criminal Case Matching (DLF-CCM). Firstly, DLF-CCM employs a multi-task learning framework to pre-train an LF extraction network on a large-scale legal judgment prediction dataset. In stage two, DLF-CCM introduces an LF de-redundancy module to learn shared LF and exclusive LFs. Moreover, an entropy-weighted fusion strategy is introduced to dynamically fuse the multiple relevance generated by all LFs. Experimental results validate the effectiveness of DLF-CCM and show its significant improvements over competitive baselines. Code: https://github.com/jiezhao6/DLF-CCM.
- Abstract（参考訳）: 異なる刑事事件間の関連性を決定するための刑事事件マッチングの試み。
従来の手法では、インスタンスレベルの意味的特徴のみに基づいて関連性を予測し、さまざまな裁判所判断に関連するさまざまな法的要因(LF)を無視している。
したがって、刑事事件を包括的に表現することは、これらのアプローチの課題である。
1) LFのマニュアルアノテーションは専門的な法的知識に大きく依存している; 2) LF間の重複はモデルの性能を損なう可能性がある。
本稿では,2段階の枠組みであるDiverse Legal Factor-enhanced Criminal Case Matching (DLF-CCM)を提案する。
まず、DLF-CCMは、大規模な法的判断予測データセット上でLF抽出ネットワークを事前訓練するために、マルチタスク学習フレームワークを使用する。
ステージ2では、DLF-CCMがLF脱冗長モジュールを導入し、共有LFと排他LFを学習する。
さらに、全てのLFが生成する多重関係を動的に融合するためにエントロピー重畳融合戦略を導入する。
実験の結果, DLF-CCMの有効性が検証され, 競争ベースラインよりも有意な改善が認められた。
コード:https://github.com/jiezhao6/DLF-CCM。
関連論文リスト
- A-FedPD: Aligning Dual-Drift is All Federated Primal-Dual Learning Needs [57.35402286842029]
本稿では,グローバルクライアントとローカルクライアントの仮想二重配向を構成する新しいアラインドデュアルデュアル(A-FedPD)手法を提案する。
本稿では,A-FedPD方式の非集中型セキュリティコンセンサスに対する効率を包括的に分析する。
論文 参考訳（メタデータ） (2024-09-27T17:00:32Z) - Fairness-Aware Meta-Learning via Nash Bargaining [63.44846095241147]
本稿では,機械学習におけるグループレベルの公平性の問題に対処する2段階のメタ学習フレームワークを提案する。
第1段階では、過度な競合を解決するためにNash Bargaining Solution(NBS)を使用して、モデルをステアリングする。
6つのキーフェアネスデータセットと2つの画像分類タスクにおいて、様々なフェアネス目標に対して経験的効果を示す。
論文 参考訳（メタデータ） (2024-06-11T07:34:15Z) - Multi-Defendant Legal Judgment Prediction via Hierarchical Reasoning [49.23103067844278]
マルチディペンダント・ケースの各被告に対する判断結果を自動予測することを目的としたマルチディペンダント・LJPの課題を提案する。
マルチディペンダント LJP の課題は,(1) 各被告の識別不能な判断結果, (2) 訓練と評価のための実世界のデータセットの欠如である。
論文 参考訳（メタデータ） (2023-12-10T04:46:30Z) - On Finding Bi-objective Pareto-optimal Fraud Prevention Rule Sets for Fintech Applications [0.949959422062959]
ルールは詐欺防止の判断を行う機関で広く使用されている。
本稿では,ルールマイニングのための2段階フレームワークの柔軟性と有効性の向上に焦点をあてる。
論文 参考訳（メタデータ） (2023-11-02T03:18:40Z) - Learning Fair Classifiers via Min-Max F-divergence Regularization [13.81078324883519]
公平な分類モデルを学ぶための新しい min-max F-divergence regularization フレームワークを提案する。
F分割測度は凸性と微分可能性特性を有することを示す。
提案手法は, 精度と公平性のトレードオフに関して, 最先端の性能を実現するものであることを示す。
論文 参考訳（メタデータ） (2023-06-28T20:42:04Z) - Beyond Incompatibility: Trade-offs between Mutually Exclusive Fairness Criteria in Machine Learning and Law [2.959308758321417]
本稿では,3つのフェアネス基準を連続的に補間する新しいアルゴリズム(FAir Interpolation Method: FAIM)を提案する。
我々は,合成データ,CompASデータセット,電子商取引部門による新たな実世界のデータセットに適用した場合のアルゴリズムの有効性を実証する。
論文 参考訳（メタデータ） (2022-12-01T12:47:54Z) - Sparse Conditional Hidden Markov Model for Weakly Supervised Named
Entity Recognition [68.68300358332156]
雑音ラベリング機能を評価するために,スパース条件付き隠れマルコフモデル(Sparse-CHMM)を提案する。
Sparse-CHMMは、3段階のトレーニングパイプラインで教師なし学習によって最適化される。
5つの包括的なデータセットで平均F1スコアが3.01向上する。
論文 参考訳（メタデータ） (2022-05-27T20:47:30Z) - Equality before the Law: Legal Judgment Consistency Analysis for
Fairness [55.91612739713396]
本論文では,LInCo(Legal Inconsistency Coefficient)の判定不整合性評価指標を提案する。
法的な判断予測(LJP)モデルを用いて異なる集団の裁判官をシミュレートし、異なる集団で訓練されたLJPモデルによる判断結果の不一致を判断する。
私達はLInCoを実際の場合の不一致を探検するために使用し、次の観察に来ます:(1)地域およびジェンダーの不一致は法制度でありますが、ジェンダーの不一致は地方不一致より大いにより少しです。
論文 参考訳（メタデータ） (2021-03-25T14:28:00Z) - 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。