論文の概要: LEGO: Synergizing Expert GraphRAG and Expert Chain-of-Thought for Legal Reasoning

• arxiv url: http://arxiv.org/abs/2609.27009v1
• Date: Tue, 22 Sep 2026 19:48:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.744275
• Title: LEGO: Synergizing Expert GraphRAG and Expert Chain-of-Thought for Legal Reasoning
• Title（参考訳）: LEGO: 専門家のGraphRAGと専門家の協力関係を合体させる
• Abstract要約: LEGOは、法律専門家のGraphRAGと、複雑な法的推論のための専門家のChain-of- Thoughtを相乗化するフレームワークである。 Qwen3-8Bのバックボーンにより、LEGOはLawQA_Civil上で40.53%の正確なマッチ精度を達成した。 また、オープンなベンチマークで評価されたベースラインの中で、最高の結果を得る。
• 参考スコア（独自算出の注目度）: 14.87373702260046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models are increasingly applied to high-risk domains such as law, yet complex legal reasoning remains limited by two structural challenges. First, existing RAG and GraphRAG methods emphasize lexical or semantic similarity while overlooking normative relations among legal provisions. Second, vanilla Chain-of-Thought prompting may generate plausible rationales without enforcing the normative structure of legal reasoning. To deal with the bottleneck of pipelines in the legal reasoning domain, we propose LEGO, a dual-module framework that synergizes Legal Expert GraphRAG and expert Chain-of-thought for complex legal reasoning. ExpertGraphRAG uses an expert-annotated civil code graph encoding these normative relations with a greedy normative-coverage retrieval algorithm to dynamically extract instance-specific provision subgraphs, while ExpertCoT organizes the retrieved provisions and case facts into structured Provision-Fact-Conclusion reasoning. With a Qwen3-8B backbone, LEGO achieves 40.53% exact-match accuracy on LawExamQA_Civil, outperforming the evaluated RAG and CoT baselines and performing comparably to the evaluated larger models, while remaining robust on multi-hop questions. It also achieves the best results among the evaluated baselines on the open-ended benchmarks. Ablation studies confirm the individual and complementary contributions of both modules, demonstrating LEGO's effectiveness in improving LLMs' complex legal reasoning ability. Code and dataset can be found in the link: https://github.com/BLK-WHT/LEGO
• Abstract（参考訳）: 大規模言語モデルは法のようなリスクの高い領域にますます適用されているが、複雑な法的推論は2つの構造的課題によって制限されている。 まず、既存のRAG法とGraphRAG法は、法的規定間の規範的関係を見越しながら、語彙的または意味的類似性を強調する。 第二に、バニラ・チェーン・オブ・サートは、法的な推論の規範的構造を強制することなく、もっともらしい理性を生み出す可能性がある。 法的な推論領域におけるパイプラインのボトルネックに対処するため,法的な専門家のGraphRAGと,複雑な法的推論のための専門家のChain-of- Thoughtを相乗化する,デュアルモジュールフレームワークであるLEGOを提案する。 ExpertGraphRAGは、これらの規範的関係をgreedyノルマティブカバレッジ検索アルゴリズムと符号化したエキスパートアノテーション付きシビルコードグラフを使用して、インスタンス固有のプロビジョニングサブグラフを動的に抽出する一方、ExpertCoTは、取得したプロビジョニングとケース事実を構造化された Provision-Fact-Conclusion 推論に整理する。 Qwen3-8Bのバックボーンで、LEGOはLawExamQA_Civil上で40.53%の正確なマッチ精度を実現し、評価されたRAGとCoTベースラインを上回り、評価されたより大きなモデルと互換性のあるパフォーマンスを実現した。 また、オープンなベンチマークで評価されたベースラインの中で、最高の結果を得る。 アブレーション研究は両モジュールの個人的および補完的な貢献を確認し、LLMの複雑な法的推論能力を改善するLEGOの有効性を実証した。 コードとデータセットはリンクで確認できる。 https://github.com/BLK-WHT/LEGO

関連論文リスト

• Citation-Closure Retrieval and Per-Rule Attribution for Real-World Regulatory Compliance Question Answering [54.97384993676565]
  複雑な国内R&D規制から派生した運用知識グラフを特徴とする,新たなベンチマークであるRegOps-Benchを用いて,レギュレーションコンプライアンスQAを形式化する。 RefWalkはクロスドキュメントの引用を横切り、マックスベースのアグリゲーションを通じてマルチビュー候補を融合させ、ソースへのクレームを明示的にマッピングするためにルールごとの属性を強制する。
  論文  参考訳（メタデータ） (2026-05-28T10:38:38Z)
• LegalGraphRAG: Multi-Agent Graph Retrieval-Augmented Generation for Reliable Legal Reasoning [33.511857429085076]
  グラフベースの検索-拡張生成(GraphRAG)は、関係グラフとしての知識を構造化することによりフラットな文書検索を進める。 信頼性の高い法的推論を目的としたフレームワークであるLegalGraphRAGを提案する。 提案手法では, 適切な抽象化レベルでの検索を可能にするために, 階層的に法源を整理する階層的法則グラフと, 信頼性の高い法理推論のためのマルチエージェントシステムという2つの中心的要素を導入している。
  論文  参考訳（メタデータ） (2026-05-27T08:13:11Z)
• GLIER: Generative Legal Inference and Evidence Ranking for Legal Case Retrieval [21.760917997629317]
  GLIER(Generative Legal Inference and Evidence Ranking)は、潜伏する法変数に対する推論プロセスとして検索を再構成するフレームワークである。 まず、Joint Generative Inferenceモジュールは、生のクエリを課金や法的要素を含む遅延した法的指標に変換する。 第2に、Multi-View Evidence Fusionメカニズムは、正確なランク付けのための構造的および語彙的な信号で生成的信頼を集約する。
  論文  参考訳（メタデータ） (2026-04-26T16:02:59Z)
• 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)
• 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)
• 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)
• An Ontology-Driven Graph RAG for Legal Norms: A Structural, Temporal, and Deterministic Approach [0.0]
  標準、平文検索は、法の階層的、横行的、因果的構造に盲目である。 本稿では,法則の形式構造とダイアクロニックな性質を明示的にモデル化することにより,これらの制約を克服するためのオントロジー駆動型フレームワークSAT-Graph RAGを紹介する。
  論文  参考訳（メタデータ） (2025-04-29T18:36:57Z)
• Can LLMs Reason with Rules? Logic Scaffolding for Stress-Testing and Improving LLMs [87.34281749422756]
  大規模言語モデル(LLM)は、様々な推論タスクにおいて、印象的な人間的なパフォーマンスを実現している。 しかし、その根底にある推論規則の熟達性は、人間の能力に欠ける。 本稿では,推論ルールベースであるULogicを構築するための,推論ルール生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-18T03:38:51Z)

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。