Fugu-MT 論文翻訳(概要): Cassette: Case-to-Case Structural Distillation for Efficient Legal Case Retrieval

論文の概要: Cassette: Case-to-Case Structural Distillation for Efficient Legal Case Retrieval

arxiv url: http://arxiv.org/abs/2609.08185v1
Date: Tue, 08 Sep 2026 03:16:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-11 17:06:57.663058
Title: Cassette: Case-to-Case Structural Distillation for Efficient Legal Case Retrieval
Title（参考訳）: Cassette: 効率的な合法的検索のためのケース・ツー・ケース構造蒸留法
Abstract要約: 大規模法データベースの推論における高い計算コストは、実世界の環境での使用を制限している。本稿では,力強く訓練された重教師検索者から軽量で効率的なハイブリッド学生用デュアルエンコーダへ知識を効果的に伝達するための,ランク付け目的と固有マッチング目的のカセットフレームワークを提案する。
参考スコア（独自算出の注目度）: 60.39519301815861
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Legal case retrieval (LCR) is an essential tool for not only assisting legal practitioners to efficiently retrieve precedents but also enabling ordinary individuals to find valuable legal case information without relying on expensive professional legal services. Our previous work CaseLink demonstrated the effectiveness of using case to case graph structures to improve retrieval accuracy. However, its high computational cost during inference on large-scale legal databases limits its practical use in real-world settings. The main inefficiency comes from constructing test time graphs and computing pairwise term frequency similarities of cases. This process has O(n^2) complexity for n legal cases, making the runtime prohibitive as the number of candidates grows. For example, the retrieval time for one query on a database (COLIEE2022) with 1,563 candidate cases is more than 500 milliseconds, while the runtime would increase drastically to more than 3,500 seconds for a database (LeCaRDv2) with 55,192 candidate cases. To further enhance the retrieval performance while achieving a significant speed-up, in this extension paper, Cassette framework is proposed with a distillation strategy involving ranking objective and eigen-matching objective for an effective transfer of knowledge from a powerful and well-trained heavy teacher retriever to a lightweight and efficient hybrid student dual encoder. Specifically, the student query encoder is implemented as a multilayer perceptron model designed for fast online processing, whereas the student candidate encoder adopts a GNN architecture, suitable for an offline manner within the case database. Extensive experiments are conducted on three benchmark datasets, and the results verify the effectiveness of the ranking distillation while achieving high efficiency. The code has been released on https://github.com/yanran-tang/Cassette/.
Abstract（参考訳）: 法律ケース検索(LCR)は、法律実務者が効率よく前例を回収するのを助けるだけでなく、一般の人が高価な専門の法律サービスに頼ることなく、貴重な訴訟情報を発見できるようにするための必須のツールである。前回のCaseLinkは,検索精度を向上させるためにケース・ツー・ケース・グラフ構造の有効性を示した。しかし,大規模法定データベースを推論する際の計算コストが高いため,現実の環境での利用は制限される。主な非効率性は、テストタイムグラフの構築と、ケースのペアの項頻度類似性を計算することにある。この過程は、n の法的ケースに対して O(n^2) の複雑さを持ち、候補の数が増加するにつれてランタイムは禁じられる。例えば、データベース上の1つのクエリ(COLIEE2022)と1,563の候補ケースの検索時間は500ミリ秒以上であり、ランタイムは55,192の候補ケースを持つデータベース(LeCaRDv2)の3,500秒以上に劇的に増加する。この拡張論文では, カセットフレームワークは, 強力で訓練された重教師検索機から軽量で効率的なハイブリッド学生デュアルエンコーダへの知識の効果的な伝達を目的とした, ランク付け目標と固有マッチング目標を含む蒸留戦略を用いて, 検索性能をさらに向上させる。具体的には、学生クエリエンコーダを高速オンライン処理用に設計された多層パーセプトロンモデルとして実装し、一方、学生候補エンコーダは、ケースデータベース内のオフライン方式に適したGNNアーキテクチャを採用する。 3つのベンチマーク・データセットを用いて大規模な実験を行い, 高い効率を達成しつつ, ランキング蒸留の有効性を検証した。コードはhttps://github.com/yanran-tang/Cassette/.comで公開されている。

関連論文リスト

LACONIC: Dense-Level Effectiveness for Scalable Sparse Retrieval via a Two-Phase Training Curriculum [73.82125917416067]
LACONICは、Llama-3アーキテクチャに基づく学習されたスパースレトリバーのファミリーである。 8Bの派生型はMTEB Retrievalベンチマークで最先端の60.2 nDCGを達成し、リーダーボードで15位となった。
論文参考訳（メタデータ） (2026-01-04T22:42:20Z)
LegalSearchLM: Rethinking Legal Case Retrieval as Legal Elements Generation [9.894351313663874]
LCR(Lawal Case Retrieval)は、法律専門家の基本的な課題である。 LCRに関する既存の研究は2つの大きな制限に直面している。まず,比較的小規模な検索コーパスを用いて評価を行った。第二に、埋め込み方式や語彙マッチング方式への依存は、しばしば限定的な表現と法的に無関係な一致をもたらす。
論文参考訳（メタデータ） (2025-05-28T09:02:41Z)
UQLegalAI@COLIEE2025: Advancing Legal Case Retrieval with Large Language Models and Graph Neural Networks [26.294747463024017]
訴訟検索は、関連事例の効率的な識別を容易にすることによって、法的領域において重要な役割を担っている。毎年COLIEE(Conference on Legal Information extract and Entailment)が開催され、評価のためのベンチマークデータセットが更新されている。本稿では,COLIEE 2025のタスク1で2番目に高いチームである UQLegalAI が採用した CaseLink の詳細について述べる。
論文参考訳（メタデータ） (2025-05-27T05:32:50Z)
Enhancing Legal Case Retrieval via Scaling High-quality Synthetic Query-Candidate Pairs [67.54302101989542]
判例検索は、ある事実記述の参照として類似した事例を提供することを目的としている。既存の作業は主に、長いクエリを使ったケース・ツー・ケースの検索に重点を置いている。データスケールは、既存のデータハングリーニューラルネットワークのトレーニング要件を満たすには不十分である。
論文参考訳（メタデータ） (2024-10-09T06:26:39Z)
SAILER: Structure-aware Pre-trained Language Model for Legal Case Retrieval [75.05173891207214]
判例検索は知的法体系において中心的な役割を果たす。既存の言語モデルの多くは、異なる構造間の長距離依存関係を理解するのが難しい。本稿では, LEgal ケース検索のための構造対応プレトランザクショナル言語モデルを提案する。
論文参考訳（メタデータ） (2023-04-22T10:47:01Z)
Injecting Domain Adaptation with Learning-to-hash for Effective and Efficient Zero-shot Dense Retrieval [49.98615945702959]
我々は,TAS-B高密度検索器の下流ゼロショット検索精度を向上させるためのLTHおよびベクトル圧縮技術を評価する。以上の結果から, 従来の研究とは異なり, LTH法はゼロショットTAS-B高密度レトリバーを平均14%のnDCG@10で過小評価できることがわかった。
論文参考訳（メタデータ） (2022-05-23T17:53:44Z)
DnS: Distill-and-Select for Efficient and Accurate Video Indexing and Retrieval [23.42790810694723]
我々はDnS(Distill-and-Select)と呼ばれる知識蒸留フレームワークを提案する。異なるアーキテクチャの学生を訓練し、パフォーマンスと効率のトレードオフにたどり着きます。重要なことに、提案されたスキームは知識蒸留を、大規模で遅延のないデータセットで許可する -- これは良い学生に繋がる。
論文参考訳（メタデータ） (2021-06-24T18:34:24Z)
When Does Pretraining Help? Assessing Self-Supervised Learning for Law and the CaseHOLD Dataset [2.0924876102146714]
53,000以上の選択質問からなる新しいデータセットを提示し、引用されたケースの保持状況を特定する。タスクがプリトレーニングコーパスと十分な類似性を示すと、ドメイン事前トレーニングが保証される可能性がある。我々の研究結果は、研究者がいつリソース集約的な事前訓練を行うべきかを知らせ、Transformerベースのアーキテクチャも、異なる法的言語を示唆する埋め込みを学習することを示す。
論文参考訳（メタデータ） (2021-04-18T00:57:16Z)
Progressively Pretrained Dense Corpus Index for Open-Domain Question Answering [87.32442219333046]
本稿では,段落エンコーダを事前学習するための簡易かつ資源効率の高い手法を提案する。本手法は,事前学習に7倍の計算資源を使用する既存の高密度検索法より優れている。
論文参考訳（メタデータ） (2020-04-30T18:09:50Z)

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。