論文の概要: MAP-Law: Coverage-Driven Retrieval Control for Multi-Turn Legal Consultation
- arxiv url: http://arxiv.org/abs/2605.01486v1
- Date: Sat, 02 May 2026 15:21:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:49.799537
- Title: MAP-Law: Coverage-Driven Retrieval Control for Multi-Turn Legal Consultation
- Title（参考訳）: MAP-Law:マルチターン法務コンサルタントのためのカバレッジ駆動型検索制御
- Authors: Qinchuan Cheng, Ruixuan Xie, Jiaqi Liu, Xiaoya Yuan, Yuxin Liu,
- Abstract要約: 法律相談は、エージェントが関連する法的問題を特定し、権威的な支援を回収し、レコメンデーションに十分な証拠がいつあるかを決定することを要求する、高い視点の業務である。
マルチターン法定コンサルテーションにおける検索制御のためのカバレッジ駆動型フレームワークMAP-Lawを提案する。
- 参考スコア（独自算出の注目度）: 5.163506276331684
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Legal consultation is a high-stakes, knowledge-intensive task that requires agents to identify relevant legal issues, retrieve authoritative support, and determine when evidence is sufficient for a recommendation. Although retrieval-augmented generation has improved grounding in legal question answering, many multi-turn legal agents still rely on fixed retrieval depth or coarse heuristic control. This often leads to either insufficient support for key legal elements or excessive retrieval that increases context burden and weakens answer focus. We propose MAP-Law, a coverage-driven framework for retrieval control in multi-turn legal consultation. MAP-Law models consultation as a controlled retrieval process over a joint structured state consisting of issue nodes, legal element nodes, and evidence nodes. After each retrieval round, the agent computes Element Coverage, Evidence Coverage, and Marginal Gain, and uses these signals to decide whether to continue retrieval, redirect the search, or generate the final response. In this way, MAP-Law turns stopping from a fixed hyperparameter into an interpretable and auditable decision aligned with legal argumentative structure. Experiments on a self-constructed dataset of 50 cases across eight labor-law scenarios show that MAP-Law with DeepSeek as the action selector achieves an Element Coverage of 0.860 using only 2.9 retrieval rounds and 5.8 evidence pieces on average. Compared with a fixed seven-round baseline, it reduces evidence volume by over 80% and retrieval rounds by 58%. Ablation results further confirm the independent contributions of coverage-driven stopping, joint graph representation, and LLM-based action selection.
- Abstract（参考訳）: 法律相談は、エージェントが関連する法的問題を特定し、権威的な支援を回収し、レコメンデーションに十分な証拠がいつあるかを決定することを要求する、高度な知識集約的なタスクである。
検索強化世代は、法的質問応答の基盤を改良しているが、多くのマルチターン法定エージェントは依然として、固定された検索深さや粗いヒューリスティック制御に依存している。
これは多くの場合、重要な法的要素に対する不十分なサポートや、コンテキストの負担を増大させ、回答の焦点を弱める過剰な検索につながる。
マルチターン法定コンサルテーションにおける検索制御のためのカバレッジ駆動型フレームワークMAP-Lawを提案する。
MAP-Lawは、イシューノード、法定要素ノード、エビデンスノードからなる共同構造化状態上の制御された検索プロセスとしてコンサルティングをモデル化する。
各検索ラウンドの後、エージェントは要素カバレッジ、エビデンスカバレッジ、およびMarginal Gainを計算し、これらの信号を使用して検索を継続するか、検索をリダイレクトするか、最終応答を生成する。
このように、MAP-Lawは、固定されたハイパーパラメーターから法的議論構造に沿った解釈可能かつ監査可能な決定へと停止する。
8つの労働法シナリオにまたがる50件の自己構築データセットの実験では、アクションセレクタとしてDeepSeekを併用したMAP-Lawが、平均で2.9回の検索ラウンドと5.8回のエビデンスピースのみを使用して0.860の要素カバレッジを達成している。
固定された7ラウンドベースラインと比較して、証拠の量を80%以上削減し、検索ラウンドを58%削減する。
アブレーションの結果は、カバレッジ駆動の停止、ジョイントグラフ表現、LCMに基づくアクション選択の独立的な寄与をさらに確認する。
関連論文リスト
- Courtroom-Style Multi-Agent Debate with Progressive RAG and Role-Switching for Controversial Claim Verification [2.464003792743989]
大型言語モデル (LLM) は、幻覚や浅い推論のため、高い精度のクレーム検証には信頼できないままである。
本稿では, 検証を構造化された, 反対の審議会として再編成する, 裁判所方式のマルチエージェントフレームワーク PROClaim を提案する。
提案手法は,プログレッシブRAG (Progressive RAG, P-RAG) と特別な役割(プレーンティフ, ディフェンス, ジャッジ)を統合し, 議論の間, 証拠プールを動的に拡大・洗練する。
論文 参考訳（メタデータ） (2026-03-30T14:23:15Z) - LawThinker: A Deep Research Legal Agent in Dynamic Environments [51.782293183431676]
ローシンカー(LawThinker)は、アメリカ合衆国の法律研究者。
あらゆる知識探索のステップの後に、検証をアトミックな操作として実施する。
LawThinkerは、直接的な推論よりも24%改善している。
論文 参考訳（メタデータ） (2026-02-12T15:19:11Z) - LegalMALR:Multi-Agent Query Understanding and LLM-Based Reranking for Chinese Statute Retrieval [10.997604609194033]
法定検索は法的援助と司法決定支援に不可欠である。
現実の法的なクエリは暗黙的で、複数発行され、口語または未特定の形で表現されることが多い。
本稿では,マルチエージェントクエリ理解システムとゼロショット大文字生成モジュールを統合した検索フレームワークであるLegalMALRを提案する。
論文 参考訳（メタデータ） (2026-01-25T04:44:56Z) - Hybrid Retrieval-Augmented Generation Agent for Trustworthy Legal Question Answering in Judicial Forensics [30.232667436008978]
司法設定に適した混成法的QAエージェントを提示する。
検索強化世代(RAG)とマルチモデルアンサンブルを統合し、信頼性、監査性、継続的なアップグレード可能なカウンセラーを提供する。
論文 参考訳（メタデータ） (2025-11-03T15:30:58Z) - Query Decomposition for RAG: Balancing Exploration-Exploitation [83.79639293409802]
RAGシステムは複雑なユーザ要求に対処し、それらをサブクエリに分解し、それぞれに関連する可能性のあるドキュメントを取得し、それを集約して回答を生成する。
クエリの分解とドキュメントの検索をエクスプロレーション探索設定で定式化し、一度に1つのドキュメントを検索すると、与えられたサブクエリの有用性についての信念が構築される。
我々の主な発見は、ランク情報と人的判断を用いた文書関連性の推定により、文書レベルの精度が35%向上し、α-nDCGが15%向上し、長文生成の下流タスクの性能が向上するということである。
論文 参考訳（メタデータ） (2025-10-21T13:37:11Z) - Segment First, Retrieve Better: Realistic Legal Search via Rhetorical Role-Based Queries [3.552993426200889]
TraceRetrieverは、ケース情報を限定して運用することで、現実世界の法的検索を反映する。
我々のパイプラインはBM25、Vector Database、Cross-Encoderモデルを統合し、Reciprocal Rank Fusionによる最初の結果を組み合わせています。
修辞アノテーションは、インドの判断に基づいて訓練された階層的BiLSTM CRF分類器を用いて生成される。
論文 参考訳（メタデータ） (2025-08-01T14:49:33Z) - 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) - Retrieval-Augmented Generation with Conflicting Evidence [57.66282463340297]
大規模言語モデル (LLM) エージェントは、応答の事実性を改善するために、検索強化世代 (RAG) をますます採用している。
実際には、これらのシステムは曖昧なユーザクエリを処理し、複数のソースからの情報に衝突する可能性がある。
RAMDocs(Retrieval with Ambiguity and Misinformation in Documents)は,ユーザクエリのエビデンスを矛盾させるような,複雑で現実的なシナリオをシミュレートする新しいデータセットである。
論文 参考訳（メタデータ） (2025-04-17T16:46:11Z) - DeepRAG: Thinking to Retrieve Step by Step for Large Language Models [92.87532210660456]
我々はマルコフ決定過程(MDP)として検索強化推論をモデル化するDeepRAGを提案する。
クエリを反復的に分解することで、DeepRAGは外部知識を取得するか、あるいは各ステップでパラメトリック推論に依存するかを動的に決定する。
実験の結果,DeepRAGは検索効率を向上し,回答精度を26.4%向上させ,検索強化推論の有効性を示した。
論文 参考訳（メタデータ） (2025-02-03T08:22:45Z)
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。