論文の概要: Adaptive Sentencing Prediction with Guaranteed Accuracy and Legal Interpretability
- arxiv url: http://arxiv.org/abs/2505.14011v1
- Date: Tue, 20 May 2025 07:06:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-21 14:49:52.84657
- Title: Adaptive Sentencing Prediction with Guaranteed Accuracy and Legal Interpretability
- Title（参考訳）: 保証精度と法解釈可能性を考慮した適応的知覚予測
- Authors: Yifei Jin, Xin Zheng, Lei Guo,
- Abstract要約: 本稿では, 固有な法的解釈性を提供する, 飽和メカニスティック・センテンシング(SMS)モデルを提案する。
また,このモデルに対応する最小モメンタム平均平方(MLMS)適応アルゴリズムについても紹介する。
我々は、既知のパラメータのケースで設計した最良の予測器による予測精度の最良の上限を提供する。
- 参考スコア（独自算出の注目度）: 7.737114256060652
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing research on judicial sentencing prediction predominantly relies on end-to-end models, which often neglect the inherent sentencing logic and lack interpretability-a critical requirement for both scholarly research and judicial practice. To address this challenge, we make three key contributions:First, we propose a novel Saturated Mechanistic Sentencing (SMS) model, which provides inherent legal interpretability by virtue of its foundation in China's Criminal Law. We also introduce the corresponding Momentum Least Mean Squares (MLMS) adaptive algorithm for this model. Second, for the MLMS algorithm based adaptive sentencing predictor, we establish a mathematical theory on the accuracy of adaptive prediction without resorting to any stationarity and independence assumptions on the data. We also provide a best possible upper bound for the prediction accuracy achievable by the best predictor designed in the known parameters case. Third, we construct a Chinese Intentional Bodily Harm (CIBH) dataset. Utilizing this real-world data, extensive experiments demonstrate that our approach achieves a prediction accuracy that is not far from the best possible theoretical upper bound, validating both the model's suitability and the algorithm's accuracy.
- Abstract（参考訳）: 既存の司法判決予測に関する研究は、主にエンドツーエンドのモデルに依存しており、これは本質的にの判決論理を無視し、解釈可能性の欠如が学術研究と司法実務の両方にとって重要な要件である。
この課題に対処するために,我々は,次の3つの重要な貢献を行う: まず,中国の刑事法に基礎を置くことによって,本質的な法的解釈性を提供する,飽和メカニスティック・センテンシング(SMS)モデルを提案する。
また、このモデルに対して、対応する Momentum Least Mean Squares (MLMS) 適応アルゴリズムを導入する。
第2に、MLMSアルゴリズムに基づく適応文予測器において、データの定常性や独立性に頼らずに適応予測の精度に関する数学的理論を確立する。
また、既知のパラメータのケースで設計した最良の予測器によって達成可能な予測精度の最大上限も提供する。
第三に、中国意図的身体的ハーム(CIBH)データセットを構築する。
この実世界のデータを利用することで、我々の手法は最高の理論上界から遠くない予測精度を達成し、モデルの適合性とアルゴリズムの精度を検証できることを示した。
関連論文リスト
- Aggregating Concepts of Accuracy and Fairness in Prediction Algorithms [0.0]
精度と公平度を線形に組み合わせて、予測アルゴリズムの全てを考慮に入れた値を測定するには、十分な理由がある、と私は論じる。
AngwinらによってコンパイルされたCompASデータセットを用いて、精度・公正トレードオフの分析に私の結果を適用します。
論文 参考訳（メタデータ） (2025-05-13T01:00:25Z) - Beyond Accuracy: Ensuring Correct Predictions With Correct Rationales [10.397502254316645]
二重補正予測のための二相予測手法を提案する。
まず、視覚認識タスクに対して構造化された合理性を提供する新しいデータセットをキュレートする。
第二に,視覚的エビデンスを解消し,局所化する際のモデル案内のための有理形最適化手法を提案する。
論文 参考訳（メタデータ） (2024-10-31T18:33:39Z) - Identifying and Mitigating Social Bias Knowledge in Language Models [52.52955281662332]
個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。
FASTは最先端のベースラインを超え、デバイアス性能が優れている。
これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
論文 参考訳（メタデータ） (2024-08-07T17:14:58Z) - A comparative study of conformal prediction methods for valid uncertainty quantification in machine learning [0.0]
論文は、誰もが不確実性に気付いていて、それがどれほど重要か、そしてそれを恐れずにそれをどのように受け入れるか、という世界を探求しようとします。
しかし、正確な不確実性推定を誰でも得るための特定のフレームワークが選別され、分析される。
論文 参考訳（メタデータ） (2024-05-03T13:19:33Z) - Source-Free Unsupervised Domain Adaptation with Hypothesis Consolidation
of Prediction Rationale [53.152460508207184]
Source-Free Unsupervised Domain Adaptation (SFUDA)は、モデルがターゲットのドメインラベルやソースドメインデータにアクセスせずに新しいドメインに適応する必要がある、という課題である。
本稿では,各サンプルについて複数の予測仮説を考察し,各仮説の背景にある理論的根拠について考察する。
最適性能を達成するために,モデル事前適応,仮説統合,半教師付き学習という3段階の適応プロセスを提案する。
論文 参考訳（メタデータ） (2024-02-02T05:53:22Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - Trust but Verify: Assigning Prediction Credibility by Counterfactual
Constrained Learning [123.3472310767721]
予測信頼性尺度は統計学と機械学習において基本的なものである。
これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。
この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
論文 参考訳（メタデータ） (2020-11-24T19:52:38Z) - Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。
我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。
このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
論文 参考訳（メタデータ） (2020-10-15T16:39:26Z)
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。