Fugu-MT 論文翻訳(概要): Robust Generalizable Heterogeneous Legal Link Prediction

論文の概要: Robust Generalizable Heterogeneous Legal Link Prediction

arxiv url: http://arxiv.org/abs/2602.04812v1
Date: Wed, 04 Feb 2026 17:59:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-05 19:45:11.669944
Title: Robust Generalizable Heterogeneous Legal Link Prediction
Title（参考訳）: ロバスト一般化可能な不均一な法則リンク予測
Authors: Lorenz Wendlinger, Simon Alexander Nonn, Abdullah Al Zubaer, Michael Granitzer,
Abstract要約: より堅牢な表現の学習のためのエッジドロップアウトと機能結合を含めることで、このアプローチを改善することができ、エラー率を最大45%削減できる。また,適合性向上のための非対称デコーダを改良した多言語ノード機能に基づくアプローチを提案する。
参考スコア（独自算出の注目度）: 2.743147176315945
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent work has applied link prediction to large heterogeneous legal citation networks \new{with rich meta-features}. We find that this approach can be improved by including edge dropout and feature concatenation for the learning of more robust representations, which reduces error rates by up to 45%. We also propose an approach based on multilingual node features with an improved asymmetric decoder for compatibility, which allows us to generalize and extend the prediction to more, geographically and linguistically disjoint, data from New Zealand. Our adaptations also improve inductive transferability between these disjoint legal systems.
Abstract（参考訳）: 最近の研究は、リンク予測を巨大ヘテロジニアス法的な引用ネットワーク \new{with rich meta-features} に適用している。より堅牢な表現の学習のためのエッジドロップアウトと機能結合を含めることで、このアプローチを改善することができ、エラー率を最大45%削減できる。また,適合性向上のための非対称デコーダを改良した多言語ノード機能に基づくアプローチを提案する。我々の適応は、これらの不一致な法体系間の帰納的伝達性も改善します。

関連論文リスト

The Missing Link: Joint Legal Citation Prediction using Heterogeneous Graph Enrichment [2.086662199273094]
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。
論文参考訳（メタデータ） (2025-06-27T12:21:41Z)
LAGO: Few-shot Crosslingual Embedding Inversion Attacks via Language Similarity-Aware Graph Optimization [4.274520108617021]
LAGOは、数発の言語間埋め込みインバージョンアタックのための新しいアプローチである。グラフベースの制約付き分散最適化フレームワークを通じて言語関係を明示的にモデル化する。実験により、ベースラインよりも10～20%のルージュ-Lスコアが増加し、攻撃の転送可能性を大幅に向上することが示された。
論文参考訳（メタデータ） (2025-05-21T20:48:24Z)
Model Merging by Uncertainty-Based Gradient Matching [70.54580972266096]
ミスマッチを減らすことで性能を改善するための不確実性に基づく新しいスキームを提案する。我々の新しい手法は、大きな言語モデルと視覚変換器に一貫した改善をもたらす。
論文参考訳（メタデータ） (2023-10-19T15:02:45Z)
Optimal Transport Posterior Alignment for Cross-lingual Semantic Parsing [68.47787275021567]
言語間のセマンティックパーシングは、高いソース言語(例えば英語)から少ないトレーニングデータを持つ低リソース言語へのパーシング能力を伝達する。そこで本稿では,最適輸送を用いた係り受け変数間の言語間相違を明示的に最小化することで,言語間セマンティック解析のための新しい手法を提案する。
論文参考訳（メタデータ） (2023-07-09T04:52:31Z)
Improving Signed Propagation for Graph Neural Networks in Multi-Class Environments [3.4498722449655066]
マルチクラスグラフにおける署名伝達を改善するための2つの新しい戦略を導入する。提案手法はキャリブレーションとロバスト性の確保を両立させ,不確実性を低減させる。 6つのベンチマークグラフデータセットに対する広範な実験により,本定理の有効性を示す。
論文参考訳（メタデータ） (2023-01-21T08:47:22Z)
NeuroCounterfactuals: Beyond Minimal-Edit Counterfactuals for Richer Data Augmentation [55.17069935305069]
本稿では,緩やかな反ファクトとして設計されたNeuroCounterfactualsを紹介する。我々の新しい生成的アプローチは、言語モデル適応による感情制御による制約付き復号化の利点を橋渡しする。
論文参考訳（メタデータ） (2022-10-22T06:29:21Z)
Leveraging Dependency Grammar for Fine-Grained Offensive Language Detection using Graph Convolutional Networks [0.5457150493905063]
我々はTwitterにおける攻撃的言語検出の問題に対処する。文の係り受け解析木に構文的特徴を統合するSyLSTMという新しい手法を提案する。その結果,提案手法は,パラメータの桁数を桁違いに減らして,最先端のBERTモデルよりも大幅に優れていた。
論文参考訳（メタデータ） (2022-05-26T05:27:50Z)
High-order joint embedding for multi-level link prediction [2.4366811507669124]
リンク予測は、観測されたネットワークから潜在的なリンクを推測し、ネットワーク分析において重要な問題の1つである。本稿では,ペアリンクとハイパーリンクを同時に符号化する新しいテンソル型ジョイントネットワーク埋め込み手法を提案する。シミュレーション設定とFacebook ego-networksの両方に関する数値的研究により,提案手法はハイパーリンクとペアリンク予測の精度を向上することが示された。
論文参考訳（メタデータ） (2021-11-07T05:22:54Z)
Consistency Regularization for Cross-Lingual Fine-Tuning [61.08704789561351]
整合性正規化による言語間微調整の改善を提案する。具体的には、例の整合性正規化を用いて、予測感度を4種類のデータ拡張にペナルティ化する。 XTREMEベンチマークの実験結果から,本手法は様々なタスクにおける言語間微調整を大幅に改善することが示された。
論文参考訳（メタデータ） (2021-06-15T15:35:44Z)
Discrete Variational Attention Models for Language Generation [51.88612022940496]
本稿では,言語における離散性に起因する注意機構のカテゴリー分布を考慮した離散的変動注意モデルを提案する。離散性の特質により,提案手法の訓練は後部崩壊に支障を来さない。
論文参考訳（メタデータ） (2020-04-21T05:49:04Z)

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。