論文の概要: End-to-End Optimization and Learning of Fair Court Schedules
- arxiv url: http://arxiv.org/abs/2410.17415v1
- Date: Tue, 22 Oct 2024 20:40:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-24 13:57:37.084240
- Title: End-to-End Optimization and Learning of Fair Court Schedules
- Title（参考訳）: 公正裁判所スケジューリングのエンドツーエンド最適化と学習
- Authors: My H Dinh, James Kotary, Lauryn P. Gouldin, William Yeoh, Ferdinando Fioretto,
- Abstract要約: 合衆国の刑事裁判所は毎年何百万もの事件を処理している。
被告のスケジューリングの好みは、しばしば最優先事項である。
本稿では,エンドツーエンドで訓練された機械学習モデルと効率的なマッチングアルゴリズムを組み合わせた,共同最適化および学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 46.76273076646004
- License:
- Abstract: Criminal courts across the United States handle millions of cases every year, and the scheduling of those cases must accommodate a diverse set of constraints, including the preferences and availability of courts, prosecutors, and defense teams. When criminal court schedules are formed, defendants' scheduling preferences often take the least priority, although defendants may face significant consequences (including arrest or detention) for missed court dates. Additionally, studies indicate that defendants' nonappearances impose costs on the courts and other system stakeholders. To address these issues, courts and commentators have begun to recognize that pretrial outcomes for defendants and for the system would be improved with greater attention to court processes, including \emph{court scheduling practices}. There is thus a need for fair criminal court pretrial scheduling systems that account for defendants' preferences and availability, but the collection of such data poses logistical challenges. Furthermore, optimizing schedules fairly across various parties' preferences is a complex optimization problem, even when such data is available. In an effort to construct such a fair scheduling system under data uncertainty, this paper proposes a joint optimization and learning framework that combines machine learning models trained end-to-end with efficient matching algorithms. This framework aims to produce court scheduling schedules that optimize a principled measure of fairness, balancing the availability and preferences of all parties.
- Abstract（参考訳）: 合衆国の刑事裁判所は毎年数百万の事件を処理しており、これらの事件のスケジューリングには、裁判所、検察、弁護団の好みや可用性など、様々な制約を課しなければならない。
刑事裁判所の日程が整うと、被告のスケジューリングの選好が最優先されることが多いが、被告は欠席した裁判所の日付に対して重大な結果(逮捕や拘留を含む)に直面することがある。
さらに、調査は被告の非外観が裁判所や他のシステムステークホルダーにコストを課していることを示している。
これらの問題に対処するため、裁判所やコメンテーターは、裁判所の手続きにもっと注意を払って、被告とシステムに対する事前審理の結果が改善されることを認識し始めた。
したがって、被告の好みと可用性を考慮に入れた公正な刑事裁判前スケジューリングシステムが必要であるが、そのようなデータの収集は論理的な課題を引き起こす。
さらに、様々な関係者の好みに応じてスケジュールを適切に最適化することは、そのようなデータが利用可能であっても、複雑な最適化問題である。
本稿では,データ不確実性の下で適切なスケジューリングシステムを構築するために,エンドツーエンドで訓練された機械学習モデルと効率的なマッチングアルゴリズムを組み合わせた協調最適化と学習フレームワークを提案する。
このフレームワークは、公正性の原則的尺度を最適化し、すべての当事者の可用性と嗜好のバランスをとる、裁判所のスケジュールを作成することを目的としている。
関連論文リスト
- 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) - 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) - MUSER: A Multi-View Similar Case Retrieval Dataset [65.36779942237357]
類似事例検索(SCR)は、司法公正の促進に重要な役割を果たす代表的法的AIアプリケーションである。
既存のSCRデータセットは、ケース間の類似性を判断する際にのみ、事実記述セクションにフォーカスする。
本稿では,多視点類似度測定に基づく類似事例検索データセットMと,文レベル法定要素アノテーションを用いた包括的法定要素を提案する。
論文 参考訳（メタデータ） (2023-10-24T08:17:11Z) - The Update-Equivalence Framework for Decision-Time Planning [78.44953498421854]
本稿では,サブゲームの解決ではなく,更新等価性に基づく意思決定時計画のための代替フレームワークを提案する。
ミラー降下に基づく完全協調型ゲームに対する有効音声探索アルゴリズムと、磁気ミラー降下に基づく対戦型ゲームに対する探索アルゴリズムを導出する。
論文 参考訳（メタデータ） (2023-04-25T20:28:55Z) - Algorithmic Learning Foundations for Common Law [5.961705913076256]
本稿では,一般的な法体系を学習アルゴリズムとして考察し,訴訟手続の特定の特徴をモデル化し,このシステムが効率的に学習されるかどうかを問う。
我々のモデルの特徴は、裁判所手続の様々な側面を学習アルゴリズムとして明確に見ることである。
論文 参考訳（メタデータ） (2022-09-07T00:39:36Z) - Sequential Multi-task Learning with Task Dependency for Appeal Judgment
Prediction [28.505366852202794]
法的判断予測(LJP)は、告訴、関連する法律記事、刑期などの判断結果を自動的に予測することを目的としている。
本稿では,上訴裁判所の控訴審判決を判断する上訴判断予測(AJP)について検討する。
本稿では,これらの課題に対処するために,SMAJudge (Task Dependency for Appeal Judgement Prediction) を用いた逐次マルチタスク学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-09T08:51:13Z) - Learning to be Fair: A Consequentialist Approach to Equitable
Decision-Making [21.152377319502705]
等価なアルゴリズムを設計するための代替フレームワークを提案する。
このアプローチでは、まず第一に、決定の可能な空間よりも利害関係者の選好を導きます。
次に、決定ポリシーの空間を最適化し、提案されたユーティリティを最大化する方法でトレードオフを行います。
論文 参考訳（メタデータ） (2021-09-18T00:30:43Z) - Learning to Limit Data Collection via Scaling Laws: Data Minimization
Compliance in Practice [62.44110411199835]
我々は機械学習法における文献に基づいて、データとシステム性能を結びつけるデータ解釈に基づく収集を制限するフレームワークを提案する。
我々は、性能曲線微分に基づくデータ最小化基準を定式化し、有効かつ解釈可能な分数法法技術を提供する。
論文 参考訳（メタデータ） (2021-07-16T19:59:01Z) - Legal Judgment Prediction with Multi-Stage CaseRepresentation Learning
in the Real Court Setting [25.53133777558123]
本稿では, 実地裁判所から新たなデータセットを導入し, 法的な判断を合理的に百科事典的に予測する。
大規模な民事裁判データセットを用いた広範な実験は、提案モデルが、法的判断予測のためのクレーム、事実、議論の間の相互作用をより正確に特徴付けることができることを示している。
論文 参考訳（メタデータ） (2021-07-12T04:27:14Z) - 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)
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。