論文の概要: Exploiting the Randomness of Large Language Models (LLM) in Text Classification Tasks: Locating Privileged Documents in Legal Matters

• arxiv url: http://arxiv.org/abs/2512.08083v1
• Date: Mon, 08 Dec 2025 22:28:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:07.744512
• Title: Exploiting the Randomness of Large Language Models (LLM) in Text Classification Tasks: Locating Privileged Documents in Legal Matters
• Title（参考訳）: テキスト分類課題における大規模言語モデル(LLM)のランダム性の爆発:法的事項における原始文書の配置
• Authors: Keith Huffman, Jianping Zhang, Nathaniel Huber-Fliflet, Fusheng Wei, Peter Gronvall,
• Abstract要約: 本稿では,LLMに基づく弁護士主体の特権文書の分類におけるランダム性の役割について,実証的研究を行った。 実験の結果, LLMは特権文書を効果的に識別できることがわかった。 ランダム性を利用した手法は精度向上に大きな影響を与える可能性がある。
• 参考スコア（独自算出の注目度）: 3.046487443774178
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In legal matters, text classification models are most often used to filter through large datasets in search of documents that meet certain pre-selected criteria like relevance to a certain subject matter, such as legally privileged communications and attorney-directed documents. In this context, large language models have demonstrated strong performance. This paper presents an empirical study investigating the role of randomness in LLM-based classification for attorney-client privileged document detection, focusing on four key dimensions: (1) the effectiveness of LLMs in identifying legally privileged documents, (2) the influence of randomness control parameters on classification outputs, (3) their impact on overall classification performance, and (4) a methodology for leveraging randomness to enhance accuracy. Experimental results showed that LLMs can identify privileged documents effectively, randomness control parameters have minimal impact on classification performance, and importantly, our developed methodology for leveraging randomness can have a significant impact on improving accuracy. Notably, this methodology that leverages randomness could also enhance a corporation's confidence in an LLM's output when incorporated into its sanctions-compliance processes. As organizations increasingly rely on LLMs to augment compliance workflows, reducing output variability helps build internal and regulatory confidence in LLM-derived sanctions-screening decisions.
• Abstract（参考訳）: 法的事項において、テキスト分類モデルは、法律上特権のある通信や弁護士が監督する文書など、特定の主題に関連性があるような、選択済みの基準を満たす文書を探すために、大きなデータセットをフィルタリングするためにしばしば使用される。 この文脈では、大きな言語モデルは強い性能を示している。 本稿では,(1)法的特権文書の識別における LLM の有効性,(2) 分類出力に対するランダム性制御パラメータの影響,(3) 全体分類性能への影響,(4) 精度を高めるためにランダム性を活用する方法論,の4つの重要な側面に着目し,LLM に基づく文書検出におけるランダム性の役割を実証した。 実験結果から, LLMは特権文書を効果的に識別でき, ランダム性制御パラメータは分類性能に最小限の影響を与えることが明らかとなった。 特に、ランダム性を活用するこの手法は、企業による制裁遵守プロセスに組み込む際に、LCMのアウトプットに対する信頼性を高めることもできる。 組織がコンプライアンスワークフローの強化にLLMをますます頼っている中、アウトプットの多様性の低減は、LLM由来の制裁スクリーニング決定に対する内部および規制の信頼性を高めるのに役立ちます。

関連論文リスト

• Universal Legal Article Prediction via Tight Collaboration between Supervised Classification Model and LLM [42.11889345473452]
  法律記事予測(LAP)は、法的テキスト分類において重要な課題である。 法律記事予測のための普遍的な枠組みであるUni-LAPを提案する。
  論文  参考訳（メタデータ） (2025-09-26T09:42:20Z)
• Accept or Deny? Evaluating LLM Fairness and Performance in Loan Approval across Table-to-Text Serialization Approaches [57.5863675268117]
  大規模言語モデル(LLM)は、ローン承認などの高い意思決定タスクにますます採用されています。 我々は、ガーナ、ドイツ、アメリカ合衆国における融資承認データセットのシリアライズされたローン承認データセットにおけるLCMの性能と公正性を評価する。
  論文  参考訳（メタデータ） (2025-08-29T10:51:41Z)
• AUTOLAW: Enhancing Legal Compliance in Large Language Models via Case Law Generation and Jury-Inspired Deliberation [5.732271982985626]
  AutoLawは、ドメイン固有の大規模言語モデル(LLM)のための新しい違反検出フレームワークである。 LLMの法的コンプライアンスを強化するために、敵対的なデータ生成と陪審に触発された審議プロセスを組み合わせる。 本研究は, 法的不一致を適応的に調査し, 信頼性の高い文脈対応の判断を下すフレームワークの能力を強調した。
  論文  参考訳（メタデータ） (2025-05-20T07:09:13Z)
• Latent Factor Models Meets Instructions: Goal-conditioned Latent Factor Discovery without Task Supervision [50.45597801390757]
  Instruct-LFはゴール指向の潜在因子発見システムである。 命令フォロー機能と統計モデルを統合して、ノイズの多いデータセットを処理する。
  論文  参考訳（メタデータ） (2025-02-21T02:03:08Z)
• Evaluating LLM-based Approaches to Legal Citation Prediction: Domain-specific Pre-training, Fine-tuning, or RAG? A Benchmark and an Australian Law Case Study [9.30538764385435]
  大規模言語モデル (LLM) は法的タスクに強い可能性を示しているが、法的な引用予測の問題は未解明のままである。 AusLaw Citation Benchmarkは,オーストラリアで55万の法的事例と18,677のユニークな引用からなる実世界のデータセットである。 次に、さまざまなソリューションに対して、システマティックなベンチマークを実施します。 その結果, 一般および法定LLMは独立解として十分ではなく, ほぼゼロに近い性能を示した。
  論文  参考訳（メタデータ） (2024-12-09T07:46:14Z)
• TRACE: TRansformer-based Attribution using Contrastive Embeddings in LLMs [50.259001311894295]
  TRACE と呼ばれるコントラスト埋め込みを用いた新しいTRansformer-based Attribution フレームワークを提案する。 TRACEは情報源の属性を精度良く改善し,大規模言語モデルの信頼性と信頼性を高める貴重なツールであることを示す。
  論文  参考訳（メタデータ） (2024-07-06T07:19:30Z)
• Evaluating Human Alignment and Model Faithfulness of LLM Rationale [66.75309523854476]
  大規模言語モデル(LLM)が,その世代を理論的にどのように説明するかを考察する。 提案手法は帰属に基づく説明よりも「偽り」が少ないことを示す。
  論文  参考訳（メタデータ） (2024-06-28T20:06:30Z)
• Through the Thicket: A Study of Number-Oriented LLMs derived from Random Forest Models [0.0]
  大規模言語モデル (LLM) はテキスト処理において例外的な性能を示した。 本稿では,ランダムフォレスト(RF)アンサンブルからの知識伝達を用いたLLMの学習手法を提案する。 我々は、細調整のためのアウトプットを生成し、その決定を分類し、説明するモデルの能力を高めます。
  論文  参考訳（メタデータ） (2024-06-07T13:31:51Z)
• Few-Shot Fairness: Unveiling LLM's Potential for Fairness-Aware Classification [7.696798306913988]
  フェアネス定義に適合するフェアネス規則を概説する枠組みを導入する。 本稿では,テキスト内学習のための構成と,RAGを用いてテキスト内デモを選択する手順について検討する。 異なるLCMを用いて行った実験では、GPT-4は他のモデルと比較して精度と公平性の両方において優れた結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-02-28T17:29:27Z)
• Self-Evaluation Improves Selective Generation in Large Language Models [54.003992911447696]
  オープンエンド生成タスクをトークンレベルの予測タスクに再構成する。 我々はLSMに答えを自己評価するように指示する。 自己評価に基づくスコアリング手法をベンチマークする。
  論文  参考訳（メタデータ） (2023-12-14T19:09:22Z)

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。