論文の概要: Distinguish Confusion in Legal Judgment Prediction via Revised Relation Knowledge

• arxiv url: http://arxiv.org/abs/2408.09422v1
• Date: Sun, 18 Aug 2024 09:44:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-20 20:50:15.178705
• Title: Distinguish Confusion in Legal Judgment Prediction via Revised Relation Knowledge
• Title（参考訳）: 改訂関係知識を用いた法的な判断予測における不明瞭な融合
• Authors: Nuo Xu, Pinghui Wang, Junzhou Zhao, Feiyang Sun, Lin Lan, Jing Tao, Li Pan, Xiaohong Guan,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 38.58529647679356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Legal Judgment Prediction (LJP) aims to automatically predict a law case's judgment results based on the text description of its facts. In practice, the confusing law articles (or charges) problem frequently occurs, reflecting that the law cases applicable to similar articles (or charges) tend to be misjudged. Although some recent works based on prior knowledge solve this issue well, they ignore that confusion also occurs between law articles with a high posterior semantic similarity due to the data imbalance problem instead of only between the prior highly similar ones, which is this work's further finding. This paper proposes an end-to-end model named \textit{D-LADAN} to solve the above challenges. On the one hand, D-LADAN constructs a graph among law articles based on their text definition and proposes a graph distillation operation (GDO) to distinguish the ones with a high prior semantic similarity. On the other hand, D-LADAN presents a novel momentum-updated memory mechanism to dynamically sense the posterior similarity between law articles (or charges) and a weighted GDO to adaptively capture the distinctions for revising the inductive bias caused by the data imbalance problem. We perform extensive experiments to demonstrate that D-LADAN significantly outperforms state-of-the-art methods in accuracy and robustness.
• Abstract（参考訳）: 法的判断予測(LJP)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。 実際、紛らわしい法律記事(または料金)の問題は頻繁に発生し、類似記事(または料金)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。 先行知識に基づく最近の研究はこの問題をよく解決しているが、データ不均衡の問題による後続のセマンティックな類似性が高い法律記事の間にも混同が生じていることも無視している。 本稿では,上記の課題を解決するために,textit{D-LADAN} というエンド・ツー・エンドのモデルを提案する。 一方、D-LADANは、論文のテキスト定義に基づいてグラフを構築し、グラフ蒸留操作(GDO)を提案し、高い先行的意味的類似性を持つものを識別する。 一方、D-LADANは、法記事(または料金)と重み付きGDOとの後方類似性を動的に感知し、データ不均衡問題に起因する誘導バイアスを補正する特徴を適応的に捉える、新しいモーメント更新メモリ機構を提案する。 我々は、D-LADANが最先端の手法を精度と堅牢性で著しく上回っていることを示すため、広範囲な実験を行った。

関連論文リスト

• Hybrid Deep Learning for Legal Text Analysis: Predicting Punishment Durations in Indonesian Court Rulings [0.0]
  本研究は,文長の深層学習に基づく予測システムを開発した。 我々のモデルは,CNNとBiLSTMとアテンション機構を組み合わせたもので,R2乗のスコアは0.5893。
  論文  参考訳（メタデータ） (2024-10-26T07:07:48Z)
• 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)
• Longitudinal Counterfactuals: Constraints and Opportunities [59.11233767208572]
  本稿では,反ファクトの妥当性を評価・改善するために,縦断データを用いた手法を提案する。 本研究では, 縦差と反実差を比較する指標を開発し, 先行観測した変化と反実差の類似性を評価する。
  論文  参考訳（メタデータ） (2024-02-29T20:17:08Z)
• 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)
• 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)
• Knowledge is Power: Understanding Causality Makes Legal judgment Prediction Models More Generalizable and Robust [3.555105847974074]
  法的判断予測(LJP)は、限られた法律実務者の労働負担を軽減するために法的支援を行う。 既存の手法の多くは、LJPタスクで微調整された様々な大規模事前学習言語モデルを適用し、一貫した改善を得る。 最先端モデル(SOTA)は,無関係情報(あるいは非因果情報)に基づいて判断予測を行う。
  論文  参考訳（メタデータ） (2022-11-06T07:03:31Z)
• 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)
• On the Fairness of 'Fake' Data in Legal AI [0.0]
  異なる影響の概念と、トレーニングデータのバイアスが、より公正なAIの探索にどのように寄与するかを検討する。 偏りのあるデータの修正に事前処理がどのように使われているのかを概説し, より公平な結果を得るために, 効果的に変化する事例の法的意味について検討する。
  論文  参考訳（メタデータ） (2020-09-10T02:23:19Z)
• 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。