論文の概要: GraphCompliance: Aligning Policy and Context Graphs for LLM-Based Regulatory Compliance

• arxiv url: http://arxiv.org/abs/2510.26309v1
• Date: Thu, 30 Oct 2025 09:53:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.746672
• Title: GraphCompliance: Aligning Policy and Context Graphs for LLM-Based Regulatory Compliance
• Title（参考訳）: GraphCompliance: LLMベースの規制コンプライアンスのためのポリシーとコンテキストグラフの調整
• Authors: Jiseong Chung, Ronny Ko, Wonchul Yoo, Makoto Onizuka, Sungmok Kim, Tae-Wan Kim, Won-Yong Shin,
• Abstract要約: 規制テキストをポリシーグラフとして表現し,ランタイムコンテキストをコンテキストグラフとして表現するフレームワークであるGraphComplianceを紹介する。 300個の実世界のシナリオでの実験では、GraphComplianceはLSMのみとRAGベースラインよりも4.1-7.2ポイント(pp)高いマイクロF1が得られる。
• 参考スコア（独自算出の注目度）: 17.686657395022248
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Compliance at web scale poses practical challenges: each request may require a regulatory assessment. Regulatory texts (e.g., the General Data Protection Regulation, GDPR) are cross-referential and normative, while runtime contexts are expressed in unstructured natural language. This setting motivates us to align semantic information in unstructured text with the structured, normative elements of regulations. To this end, we introduce GraphCompliance, a framework that represents regulatory texts as a Policy Graph and runtime contexts as a Context Graph, and aligns them. In this formulation, the policy graph encodes normative structure and cross-references, whereas the context graph formalizes events as subject-action-object (SAO) and entity-relation triples. This alignment anchors the reasoning of a judge large language model (LLM) in structured information and helps reduce the burden of regulatory interpretation and event parsing, enabling a focus on the core reasoning step. In experiments on 300 GDPR-derived real-world scenarios spanning five evaluation tasks, GraphCompliance yields 4.1-7.2 percentage points (pp) higher micro-F1 than LLM-only and RAG baselines, with fewer under- and over-predictions, resulting in higher recall and lower false positive rates. Ablation studies indicate contributions from each graph component, suggesting that structured representations and a judge LLM are complementary for normative reasoning.
• Abstract（参考訳）: ウェブスケールでのコンプライアンスには、現実的な課題が伴う。 規制テキスト(例:General Data Protection Regulation, GDPR)は相互参照的で規範的であり、ランタイムコンテキストは非構造化自然言語で表現される。 この設定は、構造化されていないテキストにおける意味情報を規則の構造化された規範的要素と整合させることを動機付けます。 この目的のために、ポリシーテキストをポリシーグラフとして、ランタイムコンテキストをコンテキストグラフとして表現するフレームワークであるGraphComplianceを導入し、それらを整合させる。 この定式化では、ポリシーグラフは規範構造と相互参照をエンコードするが、コンテキストグラフはイベントを主アクションオブジェクト(SAO)とエンティティリレーショントリプルとして形式化する。 このアライメントは、構造化情報におけるジャッジ大言語モデル(LLM)の推論をアンロックし、規制解釈とイベント解析の負担を軽減する。 5つの評価タスクにまたがる300 GDPR 由来の現実シナリオの実験では、GraphCompliance は LLM-only と RAG のベースラインよりも4.1-7.2 ポイント (pp) 高いmicro-F1 を出力し、過大な予測と過大な予測は少なく、リコール率と偽陽性率の低下をもたらす。 アブレーション研究は、各グラフ成分からの寄与を示し、構造化表現と判定LDMが規範的推論の相補的であることを示唆している。

関連論文リスト

• GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
  グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。 textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
  論文  参考訳（メタデータ） (2025-10-06T08:09:15Z)
• Graph-KV: Breaking Sequence via Injecting Structural Biases into Large Language Models [63.64507678113921]
  構造的帰納バイアスを通して相互作用を管理するグラフ-KVを導入する。 このフレームワークでは、「ターゲット」セグメントは指定された「ソース」セグメントのKV-cacheのみに選択的に参加する。 我々は,(1)直接推論,マルチホップ推論,長期文書理解にまたがる7つのRAGベンチマーク,(2)引用エゴグラフとして構造化された全文科学論文を用いた新しい学術論文QAタスクArxiv-QA,(3)引用ネットワーク内の論文トピック分類の3つのシナリオでグラフ-KVを評価する。
  論文  参考訳（メタデータ） (2025-06-09T00:30:08Z)
• An Ontology-Driven Graph RAG for Legal Norms: A Structural, Temporal, and Deterministic Approach [0.0]
  標準、平文検索は、法の階層的、横行的、因果的構造に盲目である。 本稿では,法則の形式構造とダイアクロニックな性質を明示的にモデル化することにより,これらの制約を克服するためのオントロジー駆動型フレームワークSAT-Graph RAGを紹介する。
  論文  参考訳（メタデータ） (2025-04-29T18:36:57Z)
• Doc2SoarGraph: Discrete Reasoning over Visually-Rich Table-Text Documents via Semantic-Oriented Hierarchical Graphs [79.0426838808629]
  視覚的にリッチなテーブルテキスト文書に答えるTAT-DQAを提案する。 具体的には、離散推論機能を強化した新しいDoc2SoarGraphフレームワークを提案する。 我々は,TAT-DQAデータセットに関する広範な実験を行い,提案したフレームワークは,テストセット上でのエクサクティマッチ(EM)とF1スコアでそれぞれ17.73%,F1スコアで16.91%の最高のベースラインモデルを上回る結果を得た。
  論文  参考訳（メタデータ） (2023-05-03T07:30:32Z)
• Unifying Graph Contrastive Learning with Flexible Contextual Scopes [57.86762576319638]
  フレキシブルコンテキストスコープを用いたグラフコントラスト学習(略してUGCL)という自己教師型学習手法を提案する。 本アルゴリズムは,隣接行列のパワーを制御し,コンテキストスコープによるフレキシブルな文脈表現を構築する。 局所的スコープと文脈的スコープの両方の表現に基づいて、distLはグラフ表現学習のための非常に単純な対照的な損失関数を最適化する。
  論文  参考訳（メタデータ） (2022-10-17T07:16:17Z)
• 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)
• Similarity Reasoning and Filtration for Image-Text Matching [85.68854427456249]
  画像-テキストマッチングのための類似度グラフ推論と注意フィルタリングネットワークを提案する。 類似性グラフ推論(SGR)モジュールを1つのグラフ畳み込みニューラルネットワークに頼り、局所的および大域的アライメントの両方と関係性を考慮した類似性を推論する。 Flickr30K と MSCOCO のデータセット上での最先端性能を実現する上で,提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2021-01-05T06:29:35Z)

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。