Fugu-MT 論文翻訳(概要): CoAL-RAG: A Complexity-Aware Legal Retrieval-Augmented Generation Method

論文の概要: CoAL-RAG: A Complexity-Aware Legal Retrieval-Augmented Generation Method

arxiv url: http://arxiv.org/abs/2608.17536v2
Date: Mon, 24 Aug 2026 11:27:28 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-25 13:29:42.750577
Title: CoAL-RAG: A Complexity-Aware Legal Retrieval-Augmented Generation Method
Title（参考訳）: CoAL-RAG: 複雑性を考慮した法検索型生成法
Authors: Jin Su, Zhuofeng Zhao, Huanhuan Wang, Hao Chen,
Abstract要約: CoAL-RAGは複雑性に配慮した法定検索拡張生成法である。質問内容と検索一貫性に基づく多次元評価機構の構築」中国のデータセットでは、BLEUスコアは42.5%向上し、ROUGE-Lは知識グラフベースの手法の3.6倍に達する。
参考スコア（独自算出の注目度）: 6.751636537163415
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Legal consultation questions exhibit multi-level complexity. A single retrieval strategy often leads to over-reasoning for simple questions and poor interpretability for complex ones, making it difficult to meet the requirements for both answer quality and efficiency in high-risk scenarios. To address this issue, this paper proposes CoAL-RAG, a complexity-aware legal retrieval-augmented generation method, which constructs a multi-dimensional evaluation mechanism based on ``question essence'' and ``retrieval consistency'' to enable adaptive routing of retrieval strategies. First, the reasoning demand is quantified according to the logical structure of the question. Then, the discrepancy between semantic retrieval and keyword retrieval is utilized to indirectly reflect problem complexity, thereby selecting the most appropriate retrieval strategy and dynamically filtering contextual information. Experimental results demonstrate that the proposed method significantly outperforms baseline models not only on Chinese legal benchmarks (SocialLawQA, LawBench) but also demonstrates strong cross-jurisdictional generalization on English datasets (LexGLUE, CaseHold). Specifically, on Chinese datasets, the BLEU score improves by 42.5\% and ROUGE-L reaches 3.6 times that of knowledge graph-based methods. On English benchmarks, CoAL-RAG maintains highly competitive accuracy, achieving an optimal balance between generation quality, deep logical reasoning, and system efficiency across different legal systems.
Abstract（参考訳）: 法的相談の質問は多段階の複雑さを示している。単一の検索戦略は、単純な質問に対する過剰な推論と複雑な質問に対する弱い解釈可能性をもたらすことが多く、高リスクシナリオにおける回答の品質と効率の両方の要件を満たすことは困難である。この問題に対処するために,CoAL-RAGを提案する。これは,'questionEssential' と 'retrieval consistency' に基づく多次元評価機構を構築し,検索戦略の適応的ルーティングを可能にする。まず、質問の論理構造に応じて推論要求を定量化する。次に、意味検索とキーワード検索の相違を利用して問題を間接的に反映し、最も適切な検索戦略を選択し、文脈情報を動的にフィルタリングする。実験の結果,提案手法は,中国法定ベンチマーク(SocialLawQA,LawBench)だけでなく,英語データセット(LexGLUE,CaseHold)上での強い断続的一般化も示している。特に中国のデータセットでは、BLEUスコアは42.5\%向上し、ROUGE-Lは知識グラフベースの手法の3.6倍に達する。イングランドのベンチマークでは、CoAL-RAGは高い競争精度を維持し、生成品質、深い論理的推論、異なる法体系間のシステム効率の最適バランスを達成する。

関連論文リスト

Transforming External Knowledge into Triplets for Enhanced Retrieval in RAG of LLMs [55.78708003681562]
Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)における幻覚を、生成時に外部知識を取り入れることで緩和する。既存のRAGアプローチは通常、コンテキストとしてテキストフラグメントを検索し、非構造化する。本稿では,三重項に基づく検索フレームワークTri-RAGを提案する。
論文参考訳（メタデータ） (2026-04-14T11:36:29Z)
When should I search more: Adaptive Complex Query Optimization with Reinforcement Learning [26.489185170468062]
適応複雑クエリ最適化(ACQO)と呼ばれる新しいRLフレームワークを提案する。我々のフレームワークは、いつ、どのように検索プロセスを拡張するかを適応的に決定するように設計されている。 ACQOは3つの複雑なクエリベンチマークで最先端のパフォーマンスを達成し、確立されたベースラインを大幅に上回っている。
論文参考訳（メタデータ） (2026-01-29T03:16:53Z)
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)
Towards Context-aware Reasoning-enhanced Generative Searching in E-commerce [61.03081096959132]
そこで本稿では,複雑な状況下でのテキストバウンダリングを改善するための,文脈対応推論強化型生成検索フレームワークを提案する。提案手法は,強力なベースラインに比べて優れた性能を示し,検索に基づく推薦の有効性を検証した。
論文参考訳（メタデータ） (2025-10-19T16:46:11Z)
Learning to Route: A Rule-Driven Agent Framework for Hybrid-Source Retrieval-Augmented Generation [55.47971671635531]
大言語モデル(LLM)は、一般質問回答(QA)において顕著な性能を示した。 Retrieval-Augmented Generation (RAG)は、LLMを外部知識で強化することで、この制限に対処する。既存のシステムは、主に構造化されていないドキュメントに依存しているが、主にリレーショナルデータベースを見下ろしている。
論文参考訳（メタデータ） (2025-09-30T22:19:44Z)
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)
Tree-Based Text Retrieval via Hierarchical Clustering in RAGFrameworks: Application on Taiwanese Regulations [0.0]
階層的なクラスタリングに基づく検索手法を提案する。本手法は,意味的関連コンテンツを適応的に選択しながら,システム応答の精度と関連性を維持する。我々のフレームワークは実装が簡単で、既存のRAGパイプラインと簡単に統合できます。
論文参考訳（メタデータ） (2025-06-16T15:34:29Z)
Elevating Legal LLM Responses: Harnessing Trainable Logical Structures and Semantic Knowledge with Legal Reasoning [19.477062052536887]
意味と論理的コヒーレンスを橋渡しする教師ありフレームワークである論理・意味統合モデル(LSIM)を提案する。 LSIMは3つの要素から構成される: 強化学習は各質問に対して構造化されたファクトルールチェーンを予測し、訓練可能なDeep Structured Semantic Model(DSSM)は最も関連性の高い質問を検索し、回答内学習は最終回答を生成する。 LSIMが従来の手法に比べて精度と信頼性を著しく向上させるような,自動測定と人的評価デーモンレートによる実世界の法的データセットのQA検証実験を行った。
論文参考訳（メタデータ） (2025-02-11T19:33:07Z)
JudgeRank: Leveraging Large Language Models for Reasoning-Intensive Reranking [81.88787401178378]
本稿では,文書関連性を評価する際に,人間の認知過程をエミュレートする新しいエージェント・リランカであるJiceRankを紹介する。我々は,推論集約型BRIGHTベンチマークを用いて判定Rankを評価し,第1段階の検索手法よりも性能が大幅に向上したことを示す。さらに、JiceRankは、人気の高いBEIRベンチマークの細調整された最先端リランカと同等に動作し、ゼロショットの一般化能力を検証している。
論文参考訳（メタデータ） (2024-10-31T18:43:12Z)
Adaptive-RAG: Learning to Adapt Retrieval-Augmented Large Language Models through Question Complexity [59.57065228857247]
Retrieval-augmented Large Language Models (LLMs) は、質問回答(QA)のようなタスクにおける応答精度を高めるための有望なアプローチとして登場した。本稿では,クエリの複雑さに基づいて,LLMの最適戦略を動的に選択できる適応型QAフレームワークを提案する。オープンドメインのQAデータセットを用いて、複数のクエリの複雑さを網羅し、QAシステムの全体的な効率性と精度を高めることを示す。
論文参考訳（メタデータ） (2024-03-21T13:52:30Z)

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。