論文の概要: Navigating Global AI Regulation: A Multi-Jurisdictional Retrieval-Augmented Generation System
- arxiv url: http://arxiv.org/abs/2604.25448v1
- Date: Tue, 28 Apr 2026 09:58:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-29 16:49:17.807385
- Title: Navigating Global AI Regulation: A Multi-Jurisdictional Retrieval-Augmented Generation System
- Title（参考訳）: グローバルAIレギュレーションをナビゲートする - 多変量検索拡張生成システム
- Authors: Courtney Ford, Ojas Rane, Susan Leavy,
- Abstract要約: 我々は,グローバルAI規制のための多変量検索拡張生成システムを提案する。
このシステムは、異種文書間の法的構造を保存するタイプ固有のチャンキング、法的な引用のためのエンティティ検出とメタデータによる条件付き検索ルーティング、およびポリシーや二次的情報源に対する法制化法案の強化のための優先順位に基づく再ランク付けという3つの技術的貢献を行う。
- 参考スコア（独自算出の注目度）: 1.4700417433722486
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Navigating AI regulation across jurisdictions is increasingly difficult for policymakers, legal professionals, and researchers. To address this, we present a multi-jurisdictional Retrieval-Augmented Generation system for global AI regulation. Our corpus includes 242 documents across 68 jurisdictions, ranging from formal legislation like the EU AI Act to unstructured policy documents such as national AI strategies. The system makes three technical contributions: type-specific chunking that preserve legal structure across heterogenous documents; conditional retrieval routing with entity detection and metadata for legal citations; and priority-based re-ranking to boost enacted legislation over policy and secondary sources. Evaluation of 50 queries reveals strong performance across both single-entity and multi-jurisdictional questions, achieving 0.87 average faithfulness and 0.84 average answer relevancy. Single-entity queries achieve 0.86 average faithfulness and 0.92 average answer relevancy, while multi-jurisdictional comparison queries achieve 0.88 average faithfulness and 0.75 average answer relevancy. These findings highlight the effectiveness of domain-specific retrieval strategies for navigating complex, heterogenous regulatory corpora.
- Abstract（参考訳）: 政策立案者、法律専門家、研究者にとって、司法管轄区域間でAI規制をナビゲートすることはますます困難になっている。
この問題に対処するために,グローバルAI規制のための多変量検索拡張生成システムを提案する。
私たちのコーパスには、EU AI Actのような正式な法律から、国家AI戦略のような非構造化のポリシー文書まで、68の管轄領域にわたる242の文書が含まれています。
このシステムは、異種文書間の法的構造を保存するタイプ固有のチャンキング、法的な引用のためのエンティティ検出とメタデータによる条件付き検索ルーティング、およびポリシーや二次的情報源に対する法制化法案の強化のための優先順位に基づく再ランク付けという3つの技術的貢献を行う。
50クエリの評価は、シングルエンタリティとマルチアジャクティカルな質問の両方で強いパフォーマンスを示し、平均忠実度0.87、平均回答関連度0.84を達成している。
シングルエンタリティクエリは平均忠実度0.86、平均回答関連度0.92、マルチパラメータ比較クエリは平均忠実度0.88、平均回答関連度0.75である。
これらの知見は、複雑で異種な規制コーパスをナビゲートするためのドメイン特異的検索戦略の有効性を浮き彫りにした。
関連論文リスト
- Retrieval Improvements Do Not Guarantee Better Answers: A Study of RAG for AI Policy QA [5.182285573627426]
本稿では,AIガバナンスと規制アーカイブコーパスを用いて,AIガバナンスとポリシー分析へのRAGの適用について検討する。
コントラスト学習と人選好に適合したジェネレータを組み合わせることで,ColBERTをベースとした検索システムを構築した。
ドメイン固有の微調整は、検索指標を改善するが、エンドツーエンドの質問応答性能は一貫して改善しない。
論文 参考訳（メタデータ） (2026-03-25T17:54:39Z) - Beyond Relevance: On the Relationship Between Retrieval and RAG Information Coverage [89.58253972744531]
Retrieval-augmented Generation (RAG) システムは、文書検索と生成モデルを組み合わせて、レポート生成のような複雑な情報を求める課題に対処する。
我々は,上流の検索指標が,最終生成応答の情報カバレッジの信頼性の高い早期指標として機能するかどうかを検討する。
本研究は,トピックとシステムレベルの両方で生成した応答におけるカバレッジベース検索指標とナゲットカバレッジとの間に強い相関関係を示した。
論文 参考訳（メタデータ） (2026-03-09T18:20:20Z) - 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) - Judicial Requirements for Generative AI in Legal Reasoning [0.0]
大規模言語モデル(LLM)はプロのドメインに統合されているが、法律のような高度な分野における制限は理解されていない。
本稿では、AIシステムが司法判断における信頼性の高い推論ツールとして機能しなければならない中核機能について述べる。
論文 参考訳（メタデータ） (2025-08-26T09:56:26Z) - ClaimGen-CN: A Large-scale Chinese Dataset for Legal Claim Generation [56.79698529022327]
法的な主張は、事件における原告の要求を言及し、法的理由づけと事件解決を導くのに不可欠である。
本稿では,その事例の事実に基づく法的クレーム生成の問題について考察する。
われわれは,中国法定クレーム生成タスクの最初のデータセットであるClaymGen-CNを構築した。
論文 参考訳（メタデータ） (2025-08-24T07:19:25Z) - Augmented Question-guided Retrieval (AQgR) of Indian Case Law with LLM, RAG, and Structured Summaries [0.0]
本稿では,関連事例の検索を容易にするためにLarge Language Models (LLMs) を提案する。
提案手法は,Retrieval Augmented Generation (RAG) と,インドの事例法に最適化された構造化要約を組み合わせたものである。
本システムは,関連事例法をより効果的に識別するために,事実シナリオに基づく対象の法的質問を生成する。
論文 参考訳（メタデータ） (2025-07-23T05:24:44Z) - Bridging Legal Knowledge and AI: Retrieval-Augmented Generation with Vector Stores, Knowledge Graphs, and Hierarchical Non-negative Matrix Factorization [6.0045906216050815]
大規模言語モデル(LLM)を利用したエージェント生成AI - 検索型生成(RAG)、知識グラフ(KG)、ベクトルストア(VS)
この技術は、膨大な非構造化または半構造化データセット内の関係を推測するのに優れている。
非負行列因子化(Non-Negative Matrix Factorization, NMF)により構築されたRAG, VS, KGを統合した生成AIシステムを導入する。
論文 参考訳（メタデータ） (2025-02-27T18:35:39Z)
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。