論文の概要: Law And Order: Tax Law Autoformalization
- arxiv url: http://arxiv.org/abs/2610.02792v1
- Date: Fri, 02 Oct 2026 04:33:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.20752
- Title: Law And Order: Tax Law Autoformalization
- Title（参考訳）: 法と秩序--税法オートフォーマライゼーション
- Abstract要約: Law&Orderは、課税形態と命令を実行可能なシンボルプログラムに自動的にフォーマル化する、ニューロシンボリックなフレームワークである。
Law&Orderは51のホールドアウトリターンで100%セルレベルとフォームレベルの精度を達成する。
- 参考スコア（独自算出の注目度）: 9.392088106085755
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Legal systems are increasingly implemented through software, yet scalable methods for translating legal texts into accurate symbolic representations remain underdeveloped. We study this problem through tax law, where forms and filing instructions define large computational structures involving arithmetic, branching, recursion, and tabular reasoning. We propose Law&Order, a neuro-symbolic framework for automatically formalizing tax forms and instructions into executable symbolic programs. Our approach establishes two forms of correspondence between law and logic: structural correspondence, which aligns legal and symbolic components such as cells and schedules, and denotational correspondence, which requires symbolic components to implement the computations specified by their legal counterparts. We combine large language model synthesis with cell-level verification and iterative localized error repair using human-written OpenTaxSolver tax returns. We then evaluate the resulting formalizations on independently authored, held-out TaxCalcBench returns, that are never exposed during generation or repair. Although the most advanced LLM achieves only 66% accuracy, Law&Order achieves 100% cell-level and form-level accuracy on 51 held-out returns, demonstrating the effectiveness of combining LLM-based synthesis with symbolic verification for scalable and verifiable large-scale legal autoformalization compared with using an LLM alone.
- Abstract（参考訳）: 法体系はソフトウェアを通じて徐々に実装されてきているが、法文を正確な記号表現に変換するスケーラブルな方法はまだ未開発のままである。
そこでは,算術,分枝,再帰,表計算などを含む大規模計算構造を定義した。
本稿では,納税形態や指示書を自動的に形式化し,実行可能な記号プログラムに変換するニューロシンボリック・フレームワークであるLaw&Orderを提案する。
提案手法は, 法則と論理学の対応関係を, セルやスケジュールなどの法則的および記号的コンポーネントを整列する構造対応と, 法則的に規定される計算を実装するために, 記号的コンポーネントを必要とする記述対応という2つの形式を確立する。
我々は,大規模な言語モデル合成とセルレベルの検証と,人手によるOpenTaxSolverの納税申告を用いた反復的な局所的エラー修復を組み合わせる。
次に、独立に認可されたTaxCalcBenchリターンに対して、生成や修復の間に決して露出しない結果の形式化を評価する。
最も進んだLLMは66%の精度しか達成していないが、Law&Orderは51のホールトアウトリターンに対して100%のセルレベルとフォームレベルの精度を達成し、LLMをベースとした合成とシンボリック検証を組み合わせることで、LLM単独の使用と比較してスケーラブルで検証可能な大規模法定オートフォーマル化の有効性を実証した。
関連論文リスト
- The Imitation Game: When LLMs Learn to Reason Like Programs via Code-Centric Reasoning Data Synthesis [50.473217152006875]
MIMICは、データ合成を推論するための厳密な媒体として実行可能なコードを活用するフレームワークである。
MIMICは、ナラティブ融合、コード誘導テスト合成、動的コードインスツルメンテーションを通じて、アルゴリズムを検証可能な推論軌道に変換する。
提案手法は, 一般的な推論, 複雑な数学的ベンチマーク, きめ細かい決定論的タスクにおいて, 精度を著しく向上させる。
論文 参考訳（メタデータ） (2026-09-13T17:04:16Z) - Weave of Formal Thought [51.56484100374058]
WoFT(Weave of Formal Thought)は、厳密な構文的検証と学習された構造的表現を結合したパラダイムである。
本稿では,非終端文法記号を直接生成にインターリーブするために,言語モデルを訓練する潜時可変微調整法を提案する。
Pythonでは、RWS目的のStarCoder2-3Bを微調整することで、テキストのみのSFTベースラインと比較して、トーケン毎のクロスエントロピーが14.3%削減される。
論文 参考訳（メタデータ） (2026-06-24T15:58:11Z) - Closing the Loop: Formally Verified Law as a Reward Signal for Self-Improving Legal AI [0.0]
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。
論文 参考訳（メタデータ） (2026-06-22T20:21:49Z) - 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) - DeonticBench: A Benchmark for Reasoning over Rules [52.69517904415795]
DEONTICBENCHは、アメリカ合衆国連邦政府の税、航空会社の荷物政策、移民管理、および合衆国の住宅法に関する6,232のタスクのベンチマークである。
これは、実世界のドメインにおいて、象徴的および非象徴的な設定の下でコンテキスト基底ルール推論を研究するためのベンチマークである。
論文 参考訳（メタデータ） (2026-04-06T05:41:02Z) - Towards Trustworthy Legal AI through LLM Agents and Formal Reasoning [11.842866992683158]
既存のLLMベースのシステムは、表面レベルのテキスト解析に優れるが、原理的合理性に必要な保証は欠如している。
本稿では,LSM エージェントと SMT ソルバ支援法則を組み合わせた新しいフレームワーク L4M を紹介する。
我々のシステムは、GPT-o4-mini、DeepSeek-V3、Claude 4、最先端の法務AI証明など、先進的なLCMを超えている。
論文 参考訳（メタデータ） (2025-11-26T04:05:06Z) - Language Models and Logic Programs for Trustworthy Financial Reasoning [50.73061215297832]
税の申告には複雑な推論が必要であり、重複ルールの適用と数値計算を組み合わせる必要がある。
そこで我々は,LLMを象徴的解決器と統合して納税義務を計算する手法を提案する。
本稿では, 形式論理プログラムの事前翻訳と, 形式論理表現の知的検索例を組み合わせることで, 性能が劇的に向上することを示す。
論文 参考訳（メタデータ） (2025-08-28T17:55:07Z) - Data Dependency-Aware Code Generation from Enhanced UML Sequence Diagrams [54.528185120850274]
本稿では,API2Depという新しいステップバイステップコード生成フレームワークを提案する。
まず、サービス指向アーキテクチャに適した拡張Unified Modeling Language (UML) APIダイアグラムを紹介します。
次に、データフローの重要な役割を認識し、専用のデータ依存推論タスクを導入する。
論文 参考訳（メタデータ） (2025-08-05T12:28:23Z) - From Legal Texts to Defeasible Deontic Logic via LLMs: A Study in Automated Semantic Analysis [1.5749416770494706]
本稿では,大言語モデル(LLM)を用いた法文の自動意味解析への新しいアプローチを提案する。
本稿では、複雑な規範言語を原子スニペットに分割し、デオン規則を抽出し、それらを構文的・意味的コヒーレンスとして評価する構造化パイプラインを提案する。
論文 参考訳（メタデータ） (2025-06-10T15:25:19Z) - From Text to Structure: Using Large Language Models to Support the
Development of Legal Expert Systems [0.6249768559720122]
法律に焦点をあてたルールベースのエキスパートシステムは、法制が法律にどのように適用されるかを理解して、有益なコンテキストと情報を提供するのを支援することができる。
本稿では,GPT-4のような大規模言語モデル(LLM)が,法律から構造化表現を自動的に抽出できる程度について検討する。
法律決定支援システムのJoursBotの方法論によれば、LSMを使って法律から経路を作成し、その経路を評価し、それらを手作業で作成した経路と比較する。
論文 参考訳（メタデータ） (2023-11-01T18:31:02Z)
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。