論文の概要: Algorithm for Automatic Legislative Text Consolidation

• arxiv url: http://arxiv.org/abs/2501.16794v1
• Date: Tue, 28 Jan 2025 08:52:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-29 16:41:45.704039
• Title: Algorithm for Automatic Legislative Text Consolidation
• Title（参考訳）: 自動法的テキスト統合のためのアルゴリズム
• Authors: Matias Etcheverry, Thibaud Real, Pauline Chavallard,
• Abstract要約: 本稿では, 法律文書を自動修正する生成的アプローチを提案する。 提案手法では,LoRAで微調整した光量子化生成モデルを用いて,高精度で信頼性の高い修正テキストを生成する。 立法書の完全自動化パイプラインは数時間で実行でき、成功率は63%以上である。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This study introduces a method for automating the consolidation process in a legal context, a time-consuming task traditionally performed by legal professionals. We present a generative approach that processes legislative texts to automatically apply amendments. Our method employs light quantized generative model, fine-tuned with LoRA, to generate accurate and reliable amended texts. To the authors knowledge, this is the first time generative models are used on legislative text consolidation. Our dataset is publicly available on HuggingFace1. Experimental results demonstrate a significant improvement in efficiency, offering faster updates to legal documents. A full automated pipeline of legislative text consolidation can be done in a few hours, with a success rate of more than 63% on a difficult bill.
• Abstract（参考訳）: 本研究では,法律専門家が伝統的に行ってきた時間的作業である,法的文脈における統合プロセスの自動化手法を紹介する。 本稿では, 法律文書を自動修正する生成的アプローチを提案する。 提案手法では,LoRAで微調整した光量子化生成モデルを用いて,高精度で信頼性の高い修正テキストを生成する。 著者の知る限りでは、法定テキストの統合に生成モデルが使用されるのはこれが初めてである。 私たちのデータセットはHuggingFace1で公開されています。 実験の結果、効率が大幅に向上し、法律文書の更新が高速化された。 立法書の完全自動化パイプラインは数時間で実行でき、成功率は63%以上である。

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)
• Improving Legal Entity Recognition Using a Hybrid Transformer Model and Semantic Filtering Approach [0.0]
  本稿では,法律テキスト処理用に微調整された変圧器モデルであるLegal-BERTの精度と精度を向上させる新しいハイブリッドモデルを提案する。 15,000の注釈付き法律文書のデータセット上で、F1スコア93.4%を達成し、従来の手法よりも精度とリコールが大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2024-10-11T04:51:28Z)
• Judgement Citation Retrieval using Contextual Similarity [0.0]
  本稿では,自然言語処理(NLP)と機械学習技術を組み合わせて,訴訟記述の組織化と活用を促進する手法を提案する。 提案手法は,教師なしクラスタリングと教師付き引用検索の2つの主要な目的に対処する。 我々の手法は90.9%という驚くべき精度を達成した。
  論文  参考訳（メタデータ） (2024-05-28T04:22:28Z)
• Text Revision by On-the-Fly Representation Optimization [76.11035270753757]
  現在の最先端手法は、これらのタスクをシーケンスからシーケンスまでの学習問題として定式化している。 並列データを必要としないテキストリビジョンのための反復的なインプレース編集手法を提案する。 テキストの単純化に関する最先端の教師付き手法よりも、競争力があり、パフォーマンスも向上する。
  論文  参考訳（メタデータ） (2022-04-15T07:38:08Z)
• GERE: Generative Evidence Retrieval for Fact Verification [57.78768817972026]
  本稿では,ジェネレーション方式で証拠を検索する最初のシステムであるGEREを提案する。 FEVERデータセットの実験結果は、GEREが最先端のベースラインよりも大幅に改善されていることを示している。
  論文  参考訳（メタデータ） (2022-04-12T03:49:35Z)
• Learning Bill Similarity with Annotated and Augmented Corpora of Bills [9.910141281434319]
  我々は,サブセクションレベルで4,721件の請求-請求関係の人間ラベル付きデータセットを構築した。 我々は複雑な紙幣作成過程を模倣して、類似度の異なる合成データを生成する。 トレーニングされたモデルを用いて、セクションレベルの類似点と請求値レベルの類似点を推測する。
  論文  参考訳（メタデータ） (2021-09-14T08:50:06Z)
• JNLP Team: Deep Learning Approaches for Legal Processing Tasks in COLIEE 2021 [1.8700700550095686]
  COLIEEは、自動コンピュータ化された法律テキスト処理における毎年のコンペティションである。 本稿では,法律文書処理における深層学習の手法と実験結果について報告する。
  論文  参考訳（メタデータ） (2021-06-25T03:31:12Z)
• Lawformer: A Pre-trained Language Model for Chinese Legal Long Documents [56.40163943394202]
  我々は,中国法定長文理解のためのLongformerベースの事前学習言語モデル,Lawformerをリリースする。 判決の予測,類似事例の検索,法的読解,法的質問の回答など,さまざまな法務上の課題について法務担当者を評価した。
  論文  参考訳（メタデータ） (2021-05-09T09:39:25Z)
• Conditioned Text Generation with Transfer for Closed-Domain Dialogue Systems [65.48663492703557]
  条件付き変分オートエンコーダを用いて,意図特化文の生成を最適に学習し,制御する方法を示す。 クエリ転送と呼ばれる新しいプロトコルを導入し、大規模で遅延のないデータセットを活用できるようにします。
  論文  参考訳（メタデータ） (2020-11-03T14:06:10Z)
• A Methodology for Creating AI FactSheets [67.65802440158753]
  本稿では、FactSheetsと呼ぶAIドキュメントの形式を作るための方法論について述べる。 方法論の各ステップの中で、検討すべき問題と探求すべき質問について説明する。 この方法論は、透明なAIドキュメントの採用を加速する。
  論文  参考訳（メタデータ） (2020-06-24T15:08:59Z)
• Generating Fact Checking Explanations [52.879658637466605]
  まだ欠けているパズルの重要なピースは、プロセスの最も精巧な部分を自動化する方法を理解することです。 本稿では、これらの説明を利用可能なクレームコンテキストに基づいて自動生成する方法について、最初の研究を行う。 この結果から,個別に学習するのではなく,両目標を同時に最適化することで,事実確認システムの性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2020-04-13T05:23:25Z)

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。