論文の概要: ReLeVAnT: Relevance Lexical Vectors for Accurate Legal Text Classification

• arxiv url: http://arxiv.org/abs/2604.22292v1
• Date: Fri, 24 Apr 2026 07:13:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.375727
• Title: ReLeVAnT: Relevance Lexical Vectors for Accurate Legal Text Classification
• Title（参考訳）: ReLeVAnT: 正確な法的テキスト分類のための関連語彙ベクトル
• Abstract要約: ReLeVAnTは法的文書バイナリ分類のためのフレームワークである。 n-gram処理、コントラストスコアマッチング、および差別的分類の原動力として浅いニューラルネットワークを使用する。 99.3%の精度と98.7%のF1スコアがLexGLUEデータセットにある。
• 参考スコア（独自算出の注目度）: 5.530730417910086
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The classification of legal documents from an unstructured data corpus has several crucial applications in downstream tasks. Documents relevant to court filings are key in use cases such as drafting motions, memos, and outlines, as well as in tasks like docket summarisation, retrieval systems, and training data curation. Current methods classify based on provided metadata, LLM-extracted metadata, or multimodal methods. These methods depend on structured data, metadata, and extensive computational power. This task is approached from a perspective of leveraging discriminative features in the documents between classes. The authors propose ReLeVAnT, a framework for legal document binary classification. ReLeVAnT utilises n-gram processing, contrastive score matching, and a shallow neural network as the primary drivers for discriminative classification. It leverages one-time keyword extraction per corpus, followed by a shallow classifier to swiftly and reliably classify documents with 99.3% accuracy and 98.7% F1 score on the LexGLUE dataset.
• Abstract（参考訳）: 非構造化データコーパスからの法的文書の分類は、下流タスクにいくつかの重要な応用がある。 裁判所の提出に関する文書は、起草運動、メモ、アウトラインなどのユースケースや、ドネットの要約、検索システム、データキュレーションのトレーニングといったタスクにおいて重要である。 現在のメソッドは、提供されたメタデータ、LLM抽出されたメタデータ、あるいはマルチモーダルメソッドに基づいて分類される。 これらの手法は構造化データ、メタデータ、および広範な計算能力に依存している。 このタスクは、クラス間の文書における差別的特徴を活用する観点からアプローチされる。 著者らは、法的文書バイナリ分類のためのフレームワークであるReLeVAnTを提案する。 ReLeVAnTはn-gram処理、コントラストスコアマッチング、浅いニューラルネットワークを差別的分類の原動力として利用している。 コーパス毎の1回のキーワード抽出に続き、浅い分類器で99.3%の精度と98.7%のF1スコアで文書を迅速かつ確実に分類する。

関連論文リスト

• Performance Analysis of Supervised Machine Learning Algorithms for Text Classification [0.0]
  本稿では、標準的な教師付き機械学習技術を用いて、異なるデータセットのテキスト分類プロセスについて説明する。 ラベル付きテキスト文書は、教師付き分類でテキストを分類するために使用される。 実データに対する実験解析により、どのモデルがうまく機能するかが、分類精度の点で明らかになる。
  論文  参考訳（メタデータ） (2025-08-31T20:30:52Z)
• Learning Refined Document Representations for Dense Retrieval via Deliberate Thinking [58.69615583599489]
  Deliberate Thinking based Retriever (Debater) は、段階的な思考プロセスを導入することで文書表現を強化する新しいアプローチである。 Debaterは、いくつかのベンチマークで既存のメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-02-18T15:56:34Z)
• Contextual Document Embeddings [77.22328616983417]
  本稿では,コンテキスト化された文書埋め込みのための2つの補完手法を提案する。 第一に、文書近傍を明示的にバッチ内コンテキスト損失に組み込む別のコントラスト学習目標である。 第二に、隣接する文書情報をエンコードされた表現に明示的にエンコードする新しいコンテキストアーキテクチャ。
  論文  参考訳（メタデータ） (2024-10-03T14:33:34Z)
• Document Classification using File Names [7.130525292849283]
  迅速な文書分類は、デジタル法医学や大規模メディア分類といった、時間に敏感ないくつかの応用において重要である。 重厚なディープラーニングモデルに依存する従来のアプローチは、膨大な入力データセットとドキュメント全体の分析に関連する計算リソースに対する高い推論時間のために、不足している。 本稿では,TF-IDF特徴抽出に基づくトークン化手法と組み合わせた軽量教師付き学習モデルを用いて,ファイル名のみに基づいて文書を高精度かつ効率的に分類する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-02T01:42:19Z)
• PromptReps: Prompting Large Language Models to Generate Dense and Sparse Representations for Zero-Shot Document Retrieval [76.50690734636477]
  本稿では,PmptRepsを提案する。このPmptRepsは,トレーニングを必要とせず,コーパス全体から検索できる機能である。 検索システムは、高密度テキスト埋め込みとスパースバッグ・オブ・ワード表現の両方を利用する。
  論文  参考訳（メタデータ） (2024-04-29T04:51:30Z)
• Lbl2Vec: An Embedding-Based Approach for Unsupervised Document Retrieval on Predefined Topics [0.6767885381740952]
  本稿では,ラベルのない文書データセットから,文書と単語ベクトルを共同で学習する手法を提案する。 提案手法はテキスト前処理をほとんど必要としないが,高い確率で関連文書の検索に有効である。 当社のアプローチの複製を容易にするため,開発済みのLbl2Vecコードを3Clause BSDライセンスの下で利用可能なツールとして公開しています。
  論文  参考訳（メタデータ） (2022-10-12T08:57:01Z)
• GERE: Generative Evidence Retrieval for Fact Verification [57.78768817972026]
  本稿では,ジェネレーション方式で証拠を検索する最初のシステムであるGEREを提案する。 FEVERデータセットの実験結果は、GEREが最先端のベースラインよりも大幅に改善されていることを示している。
  論文  参考訳（メタデータ） (2022-04-12T03:49:35Z)
• Improving Probabilistic Models in Text Classification via Active Learning [0.0]
  本稿では,ラベル付きデータとラベルなしデータの両方からの情報と,アクティブな学習成分を結合したテキスト分類のための高速な新しいモデルを提案する。 本研究では,未ラベルデータの構造に関する情報を導入し,不確実な文書を反復的にラベル付けすることにより,性能を向上することを示す。
  論文  参考訳（メタデータ） (2022-02-05T20:09:26Z)
• Out-of-Category Document Identification Using Target-Category Names as Weak Supervision [64.671654559798]
  Out-of-category Detection は、文書が不適格(またはターゲット)カテゴリと意味的関連性に応じて区別することを目的としている。 対象のカテゴリの1つに属する文書の信頼性を効果的に測定する,カテゴリ外検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-24T21:01:25Z)
• LeQua@CLEF2022: Learning to Quantify [76.22817970624875]
  LeQua 2022は、テキストデータセットで'を定量化する方法を評価するための新しい実験室である。 本研究の目的は、バイナリ設定とシングルラベルのマルチクラス設定の両方において、学習方法の比較評価のための設定を提供することである。
  論文  参考訳（メタデータ） (2021-11-22T14:54:20Z)
• Comparative Study of Long Document Classification [0.0]
  我々は、標準的な機械学習アプローチを用いて、長い文書分類を再考する。 単純なNaive Bayesから6つの標準テキスト分類データセット上の複雑なBERTまで、さまざまなアプローチをベンチマークする。
  論文  参考訳（メタデータ） (2021-11-01T04:51:51Z)

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。