論文の概要: SCM-based Fairness and Faithful Explainability for Legal Document Classification

• arxiv url: http://arxiv.org/abs/2610.00045v1
• Date: Thu, 03 Sep 2026 07:06:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.327661
• Title: SCM-based Fairness and Faithful Explainability for Legal Document Classification
• Title（参考訳）: 法的文書分類のためのSCMに基づく公正性と忠実な説明可能性
• Abstract要約: 本研究は, 公平性を変化させる疎外的介入が, モデル推論の忠実な説明の反映にどう影響するかを考察する。 LegalBERTベースラインと、ステレオタイプウォームスとコンピテンス表現をペナライズするフェアネス規則化された変種を比較する。 この評価は,5種類のランダム種子に対する予測性能,人口統計学的公正性,およびSHAP説明の忠実性に関するものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transformer models such as LegalBERT are increasingly used in legal decision support, raising concerns about both fairness and the transparency of model explanations. These properties are usually evaluated separately, leaving open whether a debiasing intervention that changes fairness also changes how faithfully explanations reflect model reasoning. This study investigates that relationship on the ECtHR alleged-violations corpus from LexGLUE. It compares a LegalBERT baseline with a fairness-regularized variant that penalizes stereotypical warmth and competence representations during fine-tuning. The evaluation covers predictive performance, demographic fairness, and SHAP explanation faithfulness across five random seeds. At the performance-optimal regularization strength, the intervention does not reduce demographic disparity. This null result holds across two fairness definitions and a conventional word-pair control on the gender axis. Classification performance is largely unchanged. However, the intervention consistently degrades explanation sufficiency across all five seeds and three thresholds. A shuffled-pair control reproduces this degradation while leaving performance and fairness unchanged, indicating that the effect arises from contrastive representational regularization rather than specifically from the warmth and competence structure. The results demonstrate a dissociation between fairness and explanation faithfulness: changes in explanation behavior do not necessarily indicate changes in fairness, and fairness must therefore be evaluated directly.
• Abstract（参考訳）: LegalBERTのようなトランスフォーマーモデルは、公正さとモデル説明の透明性の両方に関する懸念を提起し、法的決定支援にますます利用されている。 これらの性質は、通常、別々に評価され、公平性を変化させる偏りのある介入が、モデル推論を忠実に反映する方法を変えるかどうかを未然に残す。 本研究は,LexGLUEのECtHR法違反疑似コーパスとの関係について検討した。 LegalBERTベースラインと、微調整中にステレオタイプウォームスとコンピテンス表現をペナライズするフェアネス規則化された変種を比較する。 この評価は,5種類のランダム種子に対する予測性能,人口統計学的公正性,およびSHAP説明の忠実性に関するものである。 性能・最適正規化強度において、介入は人口格差を減少させるものではない。 このヌル結果は、2つのフェアネス定義と、ジェンダー軸上の従来のワードペア制御にまたがる。 分類性能はほとんど変わっていない。 しかし、介入は5つの種子と3つのしきい値にまたがる説明力の低下を一貫して引き起こす。 シャッフルペア制御は、性能と公平性をそのまま残しながらこの劣化を再現し、その効果は、特に温かさや能力構造からではなく、対照的な表現規則化から生じていることを示す。 その結果、公正さと説明の忠実さの解離が示され、説明行動の変化は必ずしも公正さの変化を示すものではなく、公平さを直接的に評価する必要がある。

関連論文リスト

• Certified Interventional Fidelity: Anytime-Valid, Adaptive Evaluation of Causal Claims in Mechanistic Interpretability [0.0]
  Certified Interventional Fidelity (CIF)は、介入解釈可能性評価のための統計層である。 CIFは、高忠実性クレームを認定し、明らかな方法の違いが統計的にサポートされていないことを示し、介入分布に対する感度を明示する。
  論文  参考訳（メタデータ） (2026-07-09T10:55:04Z)
• Do Fair Models Reason Fairly? Counterfactual Explanation Consistency for Procedural Fairness in Credit Decisions [0.0]
  既存の結果フェアモデルは、個人に対して根本的に異なる推論を適用可能であることを示す。 本稿では,このバイアスを検出し緩和するフレームワークであるCECを提案する。 主なコントリビューションには、最寄りのカウンターファクト生成方法、統合勾配比較のための修正ベースライン、およびそれに対応するトレーニング損失が含まれる。
  論文  参考訳（メタデータ） (2026-05-12T19:54:25Z)
• Procedural Fairness via Group Counterfactual Explanation [0.0]
  Group Counterfactual Integrated Gradients (GCIG)は、グループ間の説明不変性を強制するプロセス内正規化フレームワークである。 本稿では,GCIGが競合予測性能を維持しつつ,グループ間説明の相違を大幅に低減することを示す。 また,グループ間におけるモデル推論の整合性は,結果の公平性を超えて公正性を高めるための原則的かつ実践的な道筋であることを示唆した。
  論文  参考訳（メタデータ） (2026-03-11T16:38:59Z)
• Operational Noncommutativity in Sequential Metacognitive Judgments [0.0]
  メタ認知評価は、確率的読み出しを伴う内部状態空間に作用する状態変化操作としてモデル化されていることを示す。 また, 逐次的信頼, 誤り様相, 知覚的判断による知識的判断を含む行動パラダイムについても概説する。
  論文  参考訳（メタデータ） (2026-02-15T08:15:48Z)
• Cauchy-Schwarz Fairness Regularizer [17.898277374771254]
  機械学習におけるグループフェアネスは、モデル予測とセンシティブな属性間の依存を減らす正規化子を追加することで強制されることが多い。 感性群に条件付けられた予測分布間の経験的CSのばらつきを罰するコーシー=シュワルツフェアネス正規化器を提案する。
  論文  参考訳（メタデータ） (2025-12-10T09:39:30Z)
• Counterfactual Realizability [52.85109506684737]
  本稿では, 正規化可能性の定義, 分布からサンプルを抽出する能力を導入し, 任意の反事実分布が実現可能であるかどうかを判定する完全アルゴリズムを開発する。 本稿では、因果的公正さと因果的強化学習のモチベーション例を用いて、この新たな反ファクト的データ収集フレームワークの意義を説明する。
  論文  参考訳（メタデータ） (2025-03-14T20:54:27Z)
• Fairness-Accuracy Trade-Offs: A Causal Perspective [58.06306331390586]
  我々は、初めて因果レンズから公正性と正確性の間の張力を分析する。 因果的制約を強制することは、しばしば人口集団間の格差を減少させることを示す。 因果制約付きフェアラーニングのための新しいニューラルアプローチを導入する。
  論文  参考訳（メタデータ） (2024-05-24T11:19:52Z)
• Consistent End-to-End Estimation for Counterfactual Fairness [56.9060492313073]
  本稿では, 対実フェアネスの予測を行うための新しい対実フェアネス予測器を提案する。 我々は,本手法が対実公正性の概念を確実にするのに有効であることを理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-26T17:58:39Z)
• Measuring Fairness of Text Classifiers via Prediction Sensitivity [63.56554964580627]
  加速度予測感度は、入力特徴の摂動に対するモデルの予測感度に基づいて、機械学習モデルの公正度を測定する。 この計量は、群フェアネス(統計パリティ)と個人フェアネスという特定の概念と理論的に関連付けられることを示す。
  論文  参考訳（メタデータ） (2022-03-16T15:00:33Z)
• Learning Disentangled Representations with Latent Variation Predictability [102.4163768995288]
  本稿では,潜在不整合表現の変動予測可能性について述べる。 逆生成プロセス内では、潜時変動と対応する画像対の相互情報を最大化することにより、変動予測可能性を高める。 本研究では,潜在表現の絡み合いを測るために,基礎的構造的生成因子に依存しない評価指標を開発する。
  論文  参考訳（メタデータ） (2020-07-25T08:54:26Z)

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。