Fugu-MT 論文翻訳(概要): Cross-Domain Data Selection and Augmentation for Automatic Compliance Detection

論文の概要: Cross-Domain Data Selection and Augmentation for Automatic Compliance Detection

arxiv url: http://arxiv.org/abs/2604.21469v1
Date: Thu, 23 Apr 2026 09:28:50 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-24 14:40:06.411092
Title: Cross-Domain Data Selection and Augmentation for Automatic Compliance Detection
Title（参考訳）: 自動コンプライアンス検出のためのクロスドメインデータ選択と拡張
Abstract要約: 我々は、自然言語推論(NLI)タスクとしてフレーム化されたコンプライアンス検出における負の転送を緩和する戦略として、データ選択について検討する。具体的には、より大きなソースドメインから拡張を選択するための4つのアプローチを評価する。その結果、ターゲットデータの選択は負の転送を大幅に削減し、不均一な規制をまたいだスケーラブルで信頼性の高いコンプライアンス自動化への実践的な道筋を提供することがわかった。
参考スコア（独自算出の注目度）: 1.8314346918344617
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Automating the detection of regulatory compliance remains a challenging task due to the complexity and variability of legal texts. Models trained on one regulation often fail to generalise to others. This limitation underscores the need for principled methods to improve cross-domain transfer. We study data selection as a strategy to mitigate negative transfer in compliance detection framed as a natural language inference (NLI) task. Specifically, we evaluate four approaches for selecting augmentation data from a larger source domain: random sampling, Moore-Lewis's cross-entropy difference, importance weighting, and embedding-based retrieval. We systematically vary the proportion of selected data to analyse its effect on cross-domain adaptation. Our findings demonstrate that targeted data selection substantially reduces negative transfer, offering a practical path toward scalable and reliable compliance automation across heterogeneous regulations.
Abstract（参考訳）: 規制コンプライアンスの検出を自動化することは、法的文書の複雑さと変動性のために依然として難しい課題である。ある規則で訓練されたモデルは、しばしば他の規則への一般化に失敗する。この制限は、クロスドメイン転送を改善するための原則化された方法の必要性を浮き彫りにする。我々は、自然言語推論(NLI)タスクとしてフレーム化されたコンプライアンス検出における負の転送を緩和する戦略として、データ選択について検討する。具体的には、より大規模なソース領域から拡張データを選択するための4つのアプローチとして、ランダムサンプリング、ムーア=ルイスのクロスエントロピー差、重み付け、埋め込みベースの検索を評価した。我々は、選択したデータの比率を体系的に変化させ、ドメイン間適応に対するその影響を分析する。その結果、ターゲットデータの選択は負の転送を大幅に削減し、不均一な規制をまたいだスケーラブルで信頼性の高いコンプライアンス自動化への実践的な道筋を提供することがわかった。

関連論文リスト

WOMBET: World Model-based Experience Transfer for Robust and Sample-efficient Reinforcement Learning [8.729531978655737]
ロボット工学における強化学習は、しばしばデータ収集のコストとリスクによって制限される。先行データを共同で生成・利用するフレームワークであるtextitWorld Model-based Experience Transfer (WOMBET) を提案する。
論文参考訳（メタデータ） (2026-04-10T04:57:54Z)
Minimax optimal adaptive structured transfer learning through semi-parametric domain-varying coefficient model [9.091986429838117]
本研究では,条件分布ドリフト下でのマルチソース単一ターゲット移動学習問題について検討する。情報ソース領域からの強度を選択的に借用する適応的伝達学習推定器を開発した。
論文参考訳（メタデータ） (2026-02-20T03:53:06Z)
Transfer Learning Through Conditional Quantile Matching [3.86972243789112]
我々は、異種ソースドメインを利用した回帰学習フレームワークを導入し、データスカースターゲットドメインにおける予測性能を改善する。提案手法は,各ソース領域に対して個別に条件生成モデルを学習し,条件量子マッチングにより対象ドメインに対する応答を校正する。
論文参考訳（メタデータ） (2026-02-02T17:19:55Z)
LLM-Augmented Changepoint Detection: A Framework for Ensemble Detection and Automated Explanation [2.6022681036325874]
本稿では,アンサンブル統計手法とLarge Language Models(LLM)を組み合わせた新しい変化点検出フレームワークを提案する。提案手法は,10個の異なる変化点検出アルゴリズムの結果を集約し,個々の手法と比較して優れた性能とロバスト性を実現する。プライベートまたはドメイン固有のデータに対して、Retrieval-Augmented Generation (RAG)ソリューションは、ユーザが提供するドキュメントに基盤を置く説明を可能にする。
論文参考訳（メタデータ） (2026-01-06T12:04:38Z)
Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
異常検出は産業アプリケーションの品質管理において重要な役割を担っている。既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
論文参考訳（メタデータ） (2025-03-19T05:25:52Z)
Propensity-driven Uncertainty Learning for Sample Exploration in Source-Free Active Domain Adaptation [19.620523416385346]
ソースフリーアクティブドメイン適応(SFADA)は、ソースデータにアクセスせずに、トレーニング済みのモデルを新しいドメインに適応するという課題に対処する。このシナリオは、データプライバシ、ストレージ制限、ラベル付けコストが重要な懸念事項である現実世界のアプリケーションに特に関係している。 Propensity-driven Uncertainty Learning (ProULearn) フレームワークを提案する。
論文参考訳（メタデータ） (2025-01-23T10:05:25Z)
HAFLQ: Heterogeneous Adaptive Federated LoRA Fine-tuned LLM with Quantization [55.972018549438964]
LLM(Federated Fine-tuning of Pre-trained Large Language Models)は、さまざまなデータセットにまたがるタスク固有の適応を可能にすると同時に、プライバシの保護を可能にする。本研究では, HAFLQ (Heterogeneous Adaptive Federated Low-Rank Adaptation Fine-tuned LLM with Quantization) を提案する。テキスト分類タスクの実験結果から,HAFLQはメモリ使用量を31%削減し,通信コストを49%削減し,精度を50%向上し,ベースライン法よりも高速な収束を実現している。
論文参考訳（メタデータ） (2024-11-10T19:59:54Z)
Informative Data Mining for One-Shot Cross-Domain Semantic Segmentation [84.82153655786183]
Informative Data Mining (IDM) と呼ばれる新しいフレームワークを提案し、セマンティックセグメンテーションのための効率的なワンショットドメイン適応を実現する。 IDMは、最も情報性の高いサンプルを特定するために不確実性に基づく選択基準を提供し、迅速に適応し、冗長なトレーニングを減らす。提案手法は,GTA5/SYNTHIAからCityscapesへの適応タスクにおいて,既存の手法より優れ,56.7%/55.4%の最先端のワンショット性能を実現している。
論文参考訳（メタデータ） (2023-09-25T15:56:01Z)
To transfer or not transfer: Unified transferability metric and analysis [13.274835852615576]
トランスファーラーニングにおいて、トランスファービリティは、任意のトランスファータスクの有効性を評価することを目的とした最も基本的な問題の1つである。転送可能性推定のための新しい解析的アプローチと計量、ワッサーシュタイン距離に基づく関節推定を提案する。我々は、非対称で理解し易く、計算し易いターゲットリスク境界を提案することによって、ターゲット転送リスクを近似する。
論文参考訳（メタデータ） (2023-05-12T19:52:11Z)
MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
論文参考訳（メタデータ） (2023-02-09T12:06:08Z)
AcroFOD: An Adaptive Method for Cross-domain Few-shot Object Detection [59.10314662986463]
クロスドメインの少数ショットオブジェクト検出は、いくつかの注釈付きターゲットデータで対象ドメイン内のオブジェクト検出器を適応することを目的としている。提案手法は,複数のベンチマーク上での最先端性能を実現する。
論文参考訳（メタデータ） (2022-09-22T10:23:40Z)
Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
論文参考訳（メタデータ） (2021-04-03T01:33:14Z)

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。