Fugu-MT 論文翻訳(概要): Rule-based Classifier Models

論文の概要: Rule-based Classifier Models

arxiv url: http://arxiv.org/abs/2505.00474v1
Date: Thu, 01 May 2025 11:59:16 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:55.291719
Title: Rule-based Classifier Models
Title（参考訳）: ルールベース分類モデル
Authors: Cecilia Di Florio, Huimin Dong, Antonino Rotolo,
Abstract要約: 本稿では,分類器にルールの集合を組み込むための初期的アプローチを提案する。我々は、このリッチなルールベースのフレームワークを使って、新しいケースの意思決定をどのように推測できるかを実証する。
参考スコア（独自算出の注目度）: 0.4915744683251149
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We extend the formal framework of classifier models used in the legal domain. While the existing classifier framework characterises cases solely through the facts involved, legal reasoning fundamentally relies on both facts and rules, particularly the ratio decidendi. This paper presents an initial approach to incorporating sets of rules within a classifier. Our work is built on the work of Canavotto et al. (2023), which has developed the rule-based reason model of precedential constraint within a hierarchy of factors. We demonstrate how decisions for new cases can be inferred using this enriched rule-based classifier framework. Additionally, we provide an example of how the time element and the hierarchy of courts can be used in the new classifier framework.
Abstract（参考訳）: 法域で使用される分類器モデルの形式的枠組みを拡張する。既存の分類器の枠組みでは、事件は関係する事実によってのみ特徴づけられるが、法的理由づけは基本的に事実と規則の両方、特に比率決定に依拠している。本稿では,分類器にルールの集合を組み込むための初期的アプローチを提案する。我々の研究は、Canavotto et al (2023) の業績に基づいており、要因の階層内での前例的な制約の規則に基づく理由モデルを構築している。我々は、このリッチなルールベースの分類器フレームワークを用いて、新しいケースの意思決定をどのように推測できるかを実証する。さらに、新しい分類器フレームワークにおいて、時間要素と裁判所の階層構造をどのように利用できるかの例を示す。

関連論文リスト

Compact Rule-Based Classifier Learning via Gradient Descent [0.7874708385247353]
透明性と説明責任のある意思決定を必要とするシナリオにおいて、ルールベースのモデルは重要な役割を果たす。そこで本研究では,規則の最大数と長さをユーザが制御できる,勾配降下法を用いて学習した新しいルールベース分類器を提案する。数値的なパーティションの場合、ユーザはファジィセットで使用されるパーティションを制御できる。
論文参考訳（メタデータ） (2025-02-03T14:13:39Z)
When Precedents Clash [0.4915744683251149]
法的慣行では、ケースベースに対する一貫性要件は満たされないかもしれない。先例的な制約のモデルは、検討中の法体系の階層構造を考慮する必要がある。本稿では,階層構造と時間次元に基づく条件原理が,新たな事例に対する明確な意思決定プロセスを提供することを示す。
論文参考訳（メタデータ） (2024-10-14T14:45:47Z)
Probabilistic Truly Unordered Rule Sets [4.169915659794567]
真に順序のない規則集合に対するTURSを提案する。我々はルールセットの確率的特性を利用して、類似した確率的出力を持つ場合のみ規則が重複することを許すという直観を生かしている。我々は,幅広いルールベースの手法に対してベンチマークを行い,モデルの複雑さを低くし,高い競争力のある予測性能を持つルールセットを学習できることを実証した。
論文参考訳（メタデータ） (2024-01-18T12:03:19Z)
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)
Mitigating Catastrophic Forgetting in Task-Incremental Continual Learning with Adaptive Classification Criterion [50.03041373044267]
本稿では,継続的学習のための適応型分類基準を用いた教師付きコントラスト学習フレームワークを提案する。実験により, CFLは最先端の性能を達成し, 分類基準に比べて克服する能力が強いことが示された。
論文参考訳（メタデータ） (2023-05-20T19:22:40Z)
Modelling and Explaining Legal Case-based Reasoners through Classifiers [9.052343834206992]
本稿では、ケースベース推論の因子モデル(CBR)と分類器の論理的仕様の2つの研究ラインをまとめる。
論文参考訳（メタデータ） (2022-10-20T12:51:12Z)
fairlib: A Unified Framework for Assessing and Improving Classification Fairness [66.27822109651757]
Fairlibは、分類の公平さを評価し改善するためのオープンソースのフレームワークである。我々は、前処理、訓練時間、後処理を含む14のデバイアス化手法を実装した。組み込まれたメトリクスは、最も一般的に使用されるフェアネス基準をカバーし、フェアネス評価のためにさらに一般化およびカスタマイズすることができる。
論文参考訳（メタデータ） (2022-05-04T03:50:23Z)
Fair Decision Rules for Binary Classification [0.0]
直交正規形式(DNF)におけるブール則集合構築の問題を考える。この問題を2つの異なる分類パリティ尺度に対する明示的な制約で分類精度を最大化する整数プログラムとして定式化する。他の公正かつ解釈可能な分類器と比較して、我々の手法は、公正性のより厳密な概念に適合する規則セットを精度の低いトレードオフで見つけることができる。
論文参考訳（メタデータ） (2021-07-03T02:32:17Z)
Hierarchical Modeling for Out-of-Scope Domain and Intent Classification [55.23920796595698]
本稿では,対話システムにおけるスコープ外意図分類に焦点をあてる。ドメインとインテントを同時に分類する共同モデルに基づく階層型マルチタスク学習手法を提案する。実験により、モデルが既存の手法よりも精度、スコープ外リコール、F1で優れていることが示された。
論文参考訳（メタデータ） (2021-04-30T06:38:23Z)
Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
ディープワンクラス分類のための2段階フレームワークを提案する。まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
論文参考訳（メタデータ） (2020-11-04T23:33:41Z)
Rewriting a Deep Generative Model [56.91974064348137]
我々は,深層生成モデルによって符号化された特定の規則の操作という,新たな問題設定を導入する。本稿では,ディープネットワークの層を線形連想メモリとして操作することで,所望のルールを変更する定式化を提案する。本稿では,生成モデルのルールを対話的に変更し,望ましい効果を得られるユーザインタフェースを提案する。
論文参考訳（メタデータ） (2020-07-30T17:58:16Z)

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。