論文の概要: Legal2LogicICL: Improving Generalization in Transforming Legal Cases to Logical Formulas via Diverse Few-Shot Learning

• arxiv url: http://arxiv.org/abs/2604.11699v1
• Date: Mon, 13 Apr 2026 16:36:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.687747
• Title: Legal2LogicICL: Improving Generalization in Transforming Legal Cases to Logical Formulas via Diverse Few-Shot Learning
• Title（参考訳）: Legal2LogicICL: 分散Few-Shot学習による法ケースの論理式への変換における一般化の改善
• Authors: Jieying Xue, Phuong Minh Nguyen, Ha Thanh Nguyen, May Myo Zin, Ken Satoh,
• Abstract要約: 本研究は,最近のNLPの進歩とLLMを用いた法領域適応型少ショット学習技術を統合することにより,論理ベースの法理推論システムの一般化をめざす。 本稿では,潜在意味表現レベルと法的テキスト構造レベルの両方において,経験者の多様性と類似性のバランスをとる,数ショットの検索フレームワークであるLegal2LogicICLを紹介する。 提案手法は,自然言語の判例記述を論理表現に変換する際の精度,安定性,一般化を著しく向上させる。
• 参考スコア（独自算出の注目度）: 1.315248337031741
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work aims to improve the generalization of logic-based legal reasoning systems by integrating recent advances in NLP with legal-domain adaptive few-shot learning techniques using LLMs. Existing logic-based legal reasoning pipelines typically rely on fine-tuned models to map natural-language legal cases into logical formulas before forwarding them to a symbolic reasoner. However, such approaches are heavily constrained by the scarcity of high-quality annotated training data. To address this limitation, we propose a novel LLM-based legal reasoning framework that enables effective in-context learning through retrieval-augmented generation. Specifically, we introduce Legal2LogicICL, a few-shot retrieval framework that balances diversity and similarity of exemplars at both the latent semantic representation level and the legal text structure level. In addition, our method explicitly accounts for legal structure by mitigating entity-induced retrieval bias in legal texts, where lengthy and highly specific entity mentions often dominate semantic representations and obscure legally meaningful reasoning patterns. Our Legal2LogicICL constructs informative and robust few-shot demonstrations, leading to accurate and stable logical rule generation without requiring additional training. In addition, we construct a new dataset, named Legal2Proleg, which is annotated with alignments between legal cases and PROLEG logical formulas to support the evaluation of legal semantic parsing. Experimental results on both open-source and proprietary LLMs demonstrate that our approach significantly improves accuracy, stability, and generalization in transforming natural-language legal case descriptions into logical representations, highlighting its effectiveness for interpretable and reliable legal reasoning. Our code is available at https://github.com/yingjie7/Legal2LogicICL.
• Abstract（参考訳）: 本研究は,最近のNLPの進歩とLLMを用いた法領域適応型少ショット学習技術を統合することにより,論理ベースの法理推論システムの一般化をめざす。 既存の論理に基づく法的な推論パイプラインは、典型的には、自然言語の法則を論理式にマッピングするために微調整されたモデルに依存し、それらを記号的推論に転送する。 しかし、このような手法は高品質な注釈付きトレーニングデータの不足に強く制約されている。 この制限に対処するため、我々はLLMに基づく新しい法的推論フレームワークを提案し、このフレームワークは、検索拡張生成による効果的なインコンテキスト学習を可能にする。 具体的には、潜在意味表現レベルと法的テキスト構造レベルの両方において、模範者の多様性と類似性のバランスをとる、数ショットの検索フレームワークであるLegal2LogicICLを紹介する。 さらに,本手法は,法文中のエンティティによる検索バイアスを緩和し,意味的表現や不明瞭な法的意味的推論パターンが長大かつ高特異的なエンティティに言及されるようにして,法的構造を明示的に説明する。 我々のLegal2LogicICLは、情報的かつ堅牢な数ショットのデモンストレーションを構築し、追加のトレーニングを必要とせずに、正確で安定した論理ルール生成を実現する。 さらに、法的な意味解析の評価を支援するために、判例とPROLEG論理式をアライメントしたLegal2Prolegという新しいデータセットを構築した。 オープンソースLLMとプロプライエタリLLMの両方の実験結果から,自然言語の判例記述を論理表現に変換する際の精度,安定性,一般化が著しく向上し,解釈可能な信頼性の高い法理推論の有効性が示された。 私たちのコードはhttps://github.com/yingjie7/Legal2LogicICLで利用可能です。

関連論文リスト

• WisdomInterrogatory (LuWen): An Open-Source Legal Large Language Model Technical Report [55.27414605169639]
  Wesdom Interrogatory (LuWen)は,バイチュン基礎モデルに基づいて構築された,オープンソースの中国語の法律モデルである。 予測と生成の両方にまたがる5つの代表的な法的課題についてLuWenを評価する。
  論文  参考訳（メタデータ） (2026-04-08T06:59:07Z)
• LegalOne: A Family of Foundation Models for Reliable Legal Reasoning [54.57434222018289]
  我々は、中国の法律ドメインに特化された基礎モデルのファミリーであるLegalOneを紹介します。 LegalOneは、法的推論をマスターするために設計された包括的な3フェーズパイプラインを通じて開発されている。 LegalOneの重み付けとLegalKit評価フレームワークを公開して、Legal AIの分野を前進させます。
  論文  参考訳（メタデータ） (2026-01-31T10:18:32Z)
• On Verifiable Legal Reasoning: A Multi-Agent Framework with Formalized Knowledge Representations [0.0]
  本稿では,法的な推論を異なる知識獲得と応用段階に分解するモジュール型マルチエージェントフレームワークを提案する。 第一段階では、特殊エージェントは法的概念を抽出し、規則を形式化し、法令の検証可能な中間表現を作成する。 第2段階では、クエリを分析してケース事実をスキーマにマッピングし、論理的に関連する結論を導出するためのシンボリック推論を実行し、最終的な回答を生成するという3つのステップを通じて、この知識を特定のケースに適用する。
  論文  参考訳（メタデータ） (2025-08-31T06:03:00Z)
• GLARE: Agentic Reasoning for Legal Judgment Prediction [60.13483016810707]
  法学分野では、法的判断予測(LJP)がますます重要になっている。 既存の大規模言語モデル (LLM) には、法的な知識が不足しているため、推論に不十分な重大な問題がある。 GLAREは,異なるモジュールを呼び出し,重要な法的知識を動的に獲得するエージェント的法的推論フレームワークである。
  論文  参考訳（メタデータ） (2025-08-22T13:38:12Z)
• RLJP: Legal Judgment Prediction via First-Order Logic Rule-enhanced with Large Language Models [58.69183479148083]
  法的判断予測(LJP)は、法的AIにおいて重要な課題である。 既存のLJPモデルは、高いパフォーマンスのために司法上の前例と法的な知識を統合している。 しかし彼らは、厳密な論理分析を必要とする法的判断の重要な要素である法的推論論理を無視している。 本稿では、一階述語論理(FOL)形式と比較学習(CL)に基づく規則強化された法的判断予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-27T14:50:21Z)
• An Explicit Syllogistic Legal Reasoning Framework for Large Language Models [5.501226256903341]
  大規模言語モデル(LLM)は法的問題に答えることができるが、しばしば明示的なシロジック推論に苦慮する。 我々は,LLMが明示的なシロジックな法的推論を行えるように設計された新しいフレームワークであるSyLeRを紹介した。 SyLeRは、関係する法規や前例を合成するために、木構造的階層的検索機構を使用している。
  論文  参考訳（メタデータ） (2025-04-05T03:34:51Z)
• Logical Lease Litigation: Prolog and LLMs for Rental Law Compliance in New York [0.30693357740321775]
  本稿では,ニューヨーク州における地主訴訟の分析を自動化するための新しいアプローチとシステムであるLogicLeaseを提案する。 LogicLeaseは、ケース記述を分析し、関連するすべての法律を引用することによって、関連する法的要件の遵守を決定する。 我々は、LogicLeaseの精度、効率、堅牢性を一連のテストで評価し、100%の精度と平均処理時間2.57秒を実現した。
  論文  参考訳（メタデータ） (2025-02-13T11:45:38Z)
• DELTA: Pre-train a Discriminative Encoder for Legal Case Retrieval via Structural Word Alignment [55.91429725404988]
  判例検索のための識別モデルであるDELTAを紹介する。 我々は浅層デコーダを利用して情報ボトルネックを作り、表現能力の向上を目指しています。 本手法は, 判例検索において, 既存の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2024-03-27T10:40:14Z)
• Logic Rules as Explanations for Legal Case Retrieval [9.240902132139187]
  本稿では,ケースレベルの論理則と法レベルの論理則を学習することで,訴訟の一致を推論する枠組みを提案する。 論理則の論理性と解釈性から、NS-LCRは忠実な説明性を備えている。
  論文  参考訳（メタデータ） (2024-03-03T09:22:21Z)

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。