論文の概要: Closing the Loop: Formally Verified Law as a Reward Signal for Self-Improving Legal AI
- arxiv url: http://arxiv.org/abs/2606.23913v1
- Date: Mon, 22 Jun 2026 20:21:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 22:16:48.675149
- Title: Closing the Loop: Formally Verified Law as a Reward Signal for Self-Improving Legal AI
- Title（参考訳）: ループを閉じる: 自己改善法AIの逆シグナルとしての形式的検証法
- Authors: Armin Heydari, Torben Leowald,
- Abstract要約: この記事では、法的AIをトレーニングするための正式な検証可能な報酬信号を生成するアーキテクチャを開発する。
法則の計算成分に対して、アーキテクチャは証明可能な正確性を提供する。
私たちは、同じアーキテクチャが、法的AIトレーニングに構造上の優位性があることを示します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This article develops an architecture that creates a formally verifiable reward signal to train legal AI, adapting the LLM proposes, verifier disposes paradigm from mathematical AI to the distinctive demands of law. We present an architecture comprising LLM-driven autoformalization into a formal legal calculus extending Catala, a verification kernel, and explanation generation grounded in formal proof traces. For the computational components of law, the architecture provides provable correctness. For open-textured legal analysis, it provides structural guarantees: every required stage of the legal argument is addressed, argumentation is exercised at the correct stages and not omitted, and the deductive links between steps are valid. We demonstrate the architecture on procedural deadline calculations in German law, Commerce Clause analysis in U.S. constitutional law, and cross-jurisdictional sanction proportionality. We further show that the same architecture has a structural advantage for legal AI training: a deterministic external verifier supplies verifiable outcomes for legal problems and thereby closes the traditional reinforcement-learning loop gap in law.
- Abstract（参考訳）: 本稿では,LLMが提案する数学的AIから法則の独特な要求にパラダイムを適用して,法的AIをトレーニングするための形式的検証可能な報酬信号を生成するアーキテクチャを開発する。
本稿では, LLM による自己形式化を, 検証カーネルである Catala を拡張した形式的法則計算と, 形式的証明トレースに基づく説明生成を含むアーキテクチャを提案する。
法則の計算成分に対して、アーキテクチャは証明可能な正確性を提供する。
オープンテクスチャリングされた法的な分析のために、これは構造的な保証を提供する: 法的な議論の必要なすべての段階に対処し、議論は正しい段階で実行され、省略されず、ステップ間の誘引的なリンクが有効である。
我々は,ドイツ法における手続き的期限計算のアーキテクチャ,米国憲法法における商法規定分析,およびクロス法制的制裁比率に関するアーキテクチャを実証する。
決定論的外部検証器は法的な問題に対して検証可能な結果を提供し、それによって法における従来の強化学習ループギャップを埋める。
関連論文リスト
- Bridging Legal Interpretation and Formal Logic: Faithfulness, Assumption, and the Future of AI Legal Reasoning [3.093890460224435]
法律実務における大規模言語モデルの採用の増加は、大きな約束と重大なリスクをもたらす。
この提案は,大言語モデルの表現力と形式的検証の厳密さを結合した,法的AIに対するニューロシンボリックなアプローチを提案する。
論文 参考訳（メタデータ） (2026-05-13T19:11:09Z) - Legal2LogicICL: Improving Generalization in Transforming Legal Cases to Logical Formulas via Diverse Few-Shot Learning [1.315248337031741]
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。
論文 参考訳（メタデータ） (2026-04-13T16:36:48Z) - 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) - 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) - 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)
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。