論文の概要: Streamlining Industrial Contract Management with Retrieval-Augmented LLMs

• arxiv url: http://arxiv.org/abs/2511.14671v1
• Date: Tue, 18 Nov 2025 17:10:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:53.226976
• Title: Streamlining Industrial Contract Management with Retrieval-Augmented LLMs
• Title（参考訳）: 検索型LLMによる産業契約管理の合理化
• Authors: Kristi Topollai, Tolga Dimlioglu, Anna Choromanska, Simon Odie, Reginald Hui,
• Abstract要約: 本稿では,RAG(Research-augmented Generation)パイプラインによる契約管理の合理化を目的としたモジュラーフレームワークを提案する。 本システムでは, 合成データ生成, 意味節検索, 分類, 報酬に基づくアライメントを統合し, 問題修正をフラグ化し, 改良された代替品を生成する。
• 参考スコア（独自算出の注目度）: 8.650048148490642
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Contract management involves reviewing and negotiating provisions, individual clauses that define rights, obligations, and terms of agreement. During this process, revisions to provisions are proposed and iteratively refined, some of which may be problematic or unacceptable. Automating this workflow is challenging due to the scarcity of labeled data and the abundance of unstructured legacy contracts. In this paper, we present a modular framework designed to streamline contract management through a retrieval-augmented generation (RAG) pipeline. Our system integrates synthetic data generation, semantic clause retrieval, acceptability classification, and reward-based alignment to flag problematic revisions and generate improved alternatives. Developed and evaluated in collaboration with an industry partner, our system achieves over 80% accuracy in both identifying and optimizing problematic revisions, demonstrating strong performance under real-world, low-resource conditions and offering a practical means of accelerating contract revision workflows.
• Abstract（参考訳）: 契約管理には、条項、権利、義務、合意条件を定義する個別条項の見直しと交渉が含まれる。 この過程で、規定の修正案が提案され、反復的に洗練され、そのうちのいくつかは問題または受け入れられないかもしれない。 このワークフローの自動化は、ラベル付きデータの不足と、構造化されていないレガシコントラクトの多さのため、難しい。 本稿では,RAGパイプラインによる契約管理の合理化を目的としたモジュラーフレームワークを提案する。 本システムでは, 合成データ生成, 意味節検索, 受容可能性分類, 報酬に基づくアライメントを統合して, 問題修正をフラグ化し, 改良された代替品を生成する。 本システムは,業界パートナーと共同で開発・評価され,問題修正の特定と最適化の両面で80%以上の精度を達成し,実世界の低リソース環境下での強い性能を示し,契約修正ワークフローを高速化する実用的な手段を提供する。

関連論文リスト

• Metadata Extraction Leveraging Large Language Models [0.7920932520852374]
  本稿では,契約レビューのための大規模言語モデルによるメタデータ抽出の包括的実装について述べる。 法律条項の特定において高い精度を維持しつつ,契約審査に伴う時間と費用の削減を約束する。
  論文  参考訳（メタデータ） (2025-10-22T07:56:36Z)
• EvoSyn: Generalizable Evolutionary Data Synthesis for Verifiable Learning [63.03672166010434]
  我々は、進化的、タスクに依存しない、戦略を導いた、実行可能検証可能なデータ合成フレームワークを紹介します。 問題、多様な候補解、検証成果物を共同で合成する。 これは、人間による注釈付きチェックと戦略によるチェックの合意を強制する一貫性に基づく評価器を通じて戦略を反復的に発見する。
  論文  参考訳（メタデータ） (2025-10-20T11:56:35Z)
• LegalWiz: A Multi-Agent Generation Framework for Contradiction Detection in Legal Documents [0.10260880679794955]
  本稿では,法的領域に対するマルチエージェントの矛盾対応ベンチマークフレームワークを提案する。 合成法スタイルの文書を生成し、6種類の構造的矛盾を注入し、自己と対の矛盾をモデル化する。 このベンチマークは、法的RAGパイプラインにおける矛盾認識評価のための最初の構造化されたリソースの1つを提供する。
  論文  参考訳（メタデータ） (2025-10-03T18:24:27Z)
• Federated In-Context Learning: Iterative Refinement for Improved Answer Quality [62.72381208029899]
  In-context Learning (ICL) では、入力に提供される例を活用することで、パラメータを変更することなく、言語モデルで応答を生成することができる。 我々は,反復的協調プロセスを通じてICLを強化する汎用フレームワークであるFederated In-Context Learning (Fed-ICL)を提案する。 Fed-ICLは、クライアントと中央サーバ間のマルチラウンドインタラクションを活用することで、応答を徐々に洗練し、モデルパラメータを送信することなく、応答品質を向上させる。
  論文  参考訳（メタデータ） (2025-06-09T05:33:28Z)
• PAKTON: A Multi-Agent Framework for Question Answering in Long Legal Agreements [12.634151250093483]
  我々は,プラグイン・アンド・プレイ機能を備えた,完全オープンソースでエンドツーエンドのマルチエージェント・フレームワークであるPAKTONを紹介した。 PAKTONは、協調エージェントと新しい検索拡張生成(RAG)コンポーネントによって、契約分析の複雑さを扱うように設計されている。 実験により、PAKTONは、予測精度、検索性能、説明可能性、完全性、根拠的正当性において、汎用モデルと事前訓練モデルの両方より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-31T15:38:21Z)
• SparseCL: Sparse Contrastive Learning for Contradiction Retrieval [87.02936971689817]
  コントラディション検索(Contradiction Search)とは、クエリの内容に明示的に異を唱える文書を識別し、抽出することである。 類似性探索やクロスエンコーダモデルといった既存の手法には、大きな制限がある。 文間の微妙で矛盾したニュアンスを保存するために特別に訓練された文埋め込みを利用するSparseCLを導入する。
  論文  参考訳（メタデータ） (2024-06-15T21:57:03Z)
• Learnable Item Tokenization for Generative Recommendation [113.80559032128065]
  LETTER (Larnable Tokenizer for generaTivE Recommendation) を提案する。 LETTERは、セマンティック正規化のためのResidual Quantized VAE、協調正規化のためのコントラストアライメント損失、コードの割り当てバイアスを軽減するための多様性損失を組み込んでいる。
  論文  参考訳（メタデータ） (2024-05-12T15:49:38Z)
• Automating construction contract review using knowledge graph-enhanced large language models [1.50580995941543]
  本稿では,大規模言語モデル (LLMs) と知識グラフ (KGs) を統合することで,自動契約リスク識別の精度と解釈可能性を高めることができるかを検討する。 LLMとNested Contract Knowledge Graph(NCKG)を統合し,Graph Retrieval-Augmented Generation(GraphRAG)フレームワークを用いて,契約知識の検索と推論を行う。 国際的なEPC契約に基づいてテストし、ベースラインモデルよりも正確なリスク評価と解釈可能なリスクサマリーを実現する。
  論文  参考訳（メタデータ） (2023-09-21T14:53:36Z)
• Detecting Logical Relation In Contract Clauses [94.85352502638081]
  契約における節間の論理的関係の抽出を自動化する手法を開発する。 結果として得られたアプローチは、コントラクト作者が節間の潜在的な論理的衝突を検出するのに役立つだろう。
  論文  参考訳（メタデータ） (2021-11-02T19:26:32Z)

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。