論文の概要: The Missing Link: Joint Legal Citation Prediction using Heterogeneous Graph Enrichment

• arxiv url: http://arxiv.org/abs/2506.22165v1
• Date: Fri, 27 Jun 2025 12:21:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.196218
• Title: The Missing Link: Joint Legal Citation Prediction using Heterogeneous Graph Enrichment
• Title（参考訳）: 欠損リンク:不均一グラフエンリッチメントを用いた関節起始予測
• Authors: Lorenz Wendlinger, Simon Alexander Nonn, Abdullah Al Zubaer, Michael Granitzer,
• Abstract要約: 本稿では,グラフニューラルネットワーク(GNN)リンク予測モデルを提案する。 元の引用グラフの拡張および拡張されたバージョンで動作する適応型リレーショナルグラフ畳み込みを導入する。 ケースとノルムの共学学習と予測は、ケースの引用予測を最大4.7ポイント改善する大きな相乗効果をほぼ2倍の効率で達成する。
• 参考スコア（独自算出の注目度）: 2.086662199273094
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Legal systems heavily rely on cross-citations of legal norms as well as previous court decisions. Practitioners, novices and legal AI systems need access to these relevant data to inform appraisals and judgments. We propose a Graph-Neural-Network (GNN) link prediction model that can identify Case-Law and Case-Case citations with high proficiency through fusion of semantic and topological information. We introduce adapted relational graph convolutions operating on an extended and enriched version of the original citation graph that allow the topological integration of semantic meta-information. This further improves prediction by 3.1 points of average precision and by 8.5 points in data sparsity as well as showing robust performance over time and in challenging fully inductive prediction. Jointly learning and predicting case and norm citations achieves a large synergistic effect that improves case citation prediction by up to 4.7 points, at almost doubled efficiency.
• Abstract（参考訳）: 法体系は、以前の裁判所決定と同様に、法的規範の相互引用に大きく依存している。 専門家、初心者、そして法的AIシステムは、評価と判断を知らせるためにこれらの関連するデータにアクセスする必要がある。 本稿では,グラフニューラルネットワーク(GNN)リンク予測モデルを提案する。 本稿では,意味メタ情報のトポロジ的統合を可能にするために,原文引用グラフの拡張および拡張されたバージョンで動作する適応型リレーショナルグラフ畳み込みを提案する。 これにより、平均精度3.1ポイント、データ間隔8.5ポイントの予測が向上し、時間とともに堅牢なパフォーマンスを示し、完全な帰納的予測に挑戦する。 ケースとノルムの共学学習と予測は、ケースの引用予測を最大4.7ポイント改善する大きな相乗効果をほぼ2倍の効率で達成する。

関連論文リスト

• Understanding the Design Principles of Link Prediction in Directed Settings [1.6727186769396276]
  リンク予測はグラフ表現学習(GRL)において広く研究されている課題である 本稿では,非方向設定で成功したキーキャパシティを評価することで,リンクの方向予測の課題に焦点をあてる。 本稿では,これらを有向リンク予測タスクに簡易かつ効果的に適応させ,これらの修正によって競争性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-02-20T20:01:35Z)
• Less is More: One-shot Subgraph Reasoning on Large-scale Knowledge Graphs [49.547988001231424]
  効率的かつ適応的な予測を実現するために,ワンショットサブグラフリンク予測を提案する。 設計原理は、KG全体に直接作用する代わりに、予測手順を2つのステップに分離する。 5つの大規模ベンチマークにおいて,効率の向上と性能の向上を実現している。
  論文  参考訳（メタデータ） (2024-03-15T12:00:12Z)
• Exploring Graph Neural Networks for Indian Legal Judgment Prediction [39.0233340304095]
  本研究は,LJP問題に対処するグラフニューラルネットワークに基づくモデルの構築に焦点を当てる。 モデルの特徴として様々な埋め込みを探索し、時間ノードや司法行為などのノードを追加し、モデルの性能を評価する。 また、2つの特定ノード間の接続を予想する際のモデルの習熟度を評価するためのリンク予測タスクも実施する。
  論文  参考訳（メタデータ） (2023-10-19T14:55:51Z)
• Fairness-Aware Graph Neural Networks: A Survey [53.41838868516936]
  グラフニューラルネットワーク(GNN)はその表現力と最先端の予測性能によってますます重要になっている。 GNNは、基礎となるグラフデータと基本的な集約メカニズムによって生じる公平性の問題に悩まされる。 本稿では,GNNの公平性向上のためのフェアネス手法の検討と分類を行う。
  論文  参考訳（メタデータ） (2023-07-08T08:09:06Z)
• Scientific Paper Extractive Summarization Enhanced by Citation Graphs [50.19266650000948]
  我々は、引用グラフを活用して、異なる設定下での科学的論文の抽出要約を改善することに重点を置いている。 予備的な結果は、単純な教師なしフレームワークであっても、引用グラフが有用であることを示している。 そこで我々は,大規模ラベル付きデータが利用可能である場合のタスクにおいて,より正確な結果を得るために,グラフベースのスーパービジョン・サムライゼーション・モデル(GSS)を提案する。
  論文  参考訳（メタデータ） (2022-12-08T11:53:12Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• FactGraph: Evaluating Factuality in Summarization with Semantic Graph Representations [114.94628499698096]
  文書と要約を構造化された意味表現(MR)に分解するFactGraphを提案する。 MRは、コアセマンティックの概念とその関係を記述し、文書と要約の両方の主要な内容を標準形式で集約し、データの疎結合を減少させる。 事実性を評価するための異なるベンチマークの実験では、FactGraphは以前のアプローチよりも最大15%優れていた。
  論文  参考訳（メタデータ） (2022-04-13T16:45:33Z)
• Transductive Data Augmentation with Relational Path Rule Mining for Knowledge Graph Embedding [5.603379389073144]
  本稿では,関係経路規則と信頼度に基づく拡張データの重み付けによるトランスダクティブデータ拡張を提案する。 その結果,本提案手法は,真の回答を含むデータや類似したエンティティを付加することにより,埋め込みモデルの性能を効果的に向上することを示した。
  論文  参考訳（メタデータ） (2021-11-01T14:35:14Z)

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。