論文の概要: Verifiable Retrieval for Legal Reasoning through Structure-driven Knowledge Graph

• arxiv url: http://arxiv.org/abs/2610.13695v2
• Date: Tue, 13 Oct 2026 15:05:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-14 23:39:49.968443
• Title: Verifiable Retrieval for Legal Reasoning through Structure-driven Knowledge Graph
• Title（参考訳）: 構造駆動知識グラフによる法的推論の検証
• Abstract要約: 我々は、構造駆動構文解析を用いて、ソース文書のナビゲーションと検索のための知識グラフを作成する。 いくつかのKGインフォームド・チャンキングと検索戦略を比較し,得られた引用の精度に対する評価を行った。
• 参考スコア（独自算出の注目度）: 2.7273279761148976
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Any automation within reliability-critical contexts such as medicine or law has to be transparent and verifiable. Despite their advantages, current LLM-based systems do not meet these requirements due to their inherent black-box nature. Retrieval Augmented Generation (RAG) attempts to ground the generative process in the relevant interpretable documents, thereby reducing the risk of AI 'hallucinations' and potentially enabling verification of the initial generation context. However, as the number and size of potential sources increases, naive retrieval approaches tend to perform worse, ignoring critical context elements. In this paper we aim to tackle this problem in the context of German Legal Code. Using structure-driven parsing to create a Knowledge Graph (KG) for the source document navigation and retrieval, we compare several KG-informed chunking and retrieval strategies and evaluate their effect on the accuracy of retrieved citations.
• Abstract（参考訳）: 医療や法律のような信頼性に重要なコンテキストにおける自動化は、透明で検証可能である必要があります。 それらの利点にもかかわらず、現在のLLMベースのシステムは、固有のブラックボックスの性質のため、これらの要件を満たしていない。 Retrieval Augmented Generation (RAG) は、関連する解釈可能な文書に生成プロセスを基盤として、AIの「幻覚」のリスクを低減し、初期生成コンテキストの検証を可能にする。 しかし、潜在的な情報源の数や大きさが増加するにつれて、単純検索手法は、重要な文脈要素を無視して、より悪い結果をもたらす傾向にある。 本稿では,ドイツ法典の文脈でこの問題に取り組むことを目的とする。 ソース文書のナビゲーションと検索のための知識グラフ(KG)を作成するために構造駆動構文解析を用いて、複数のKGインフォームドチャンキングと検索戦略を比較し、抽出した引用の精度に対するそれらの効果を評価する。

関連論文リスト

• Robust Interpretation of Historical Documents in Knowledge Graphs Through Query Inference and Execution [5.02509168950652]
  本稿では,歴史的データへのより正確かつ検証可能なアクセスを提供するエージェント検索システムを提案する。 我々は,OCR後訂正のための単語スポッティング技術と知識グラフ表現を統合するセミシンボリックフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-27T14:11:20Z)
• From Norms to Indicators (N2I-RAG): An Agentic Retrieval-Augmented Generation Framework for Legal Indicator Computation [0.0]
  本稿では,N2I-RAGを提案する。N2I-RAGは,法定指標の計算を自動化するために設計されたエージェント検索拡張生成フレームワークである。 適応的な検索,llmベースのエージェント,検証機構をモジュールパイプラインに統合し,各コンポーネントがエビデンスをフィルタリング,検索,評価を行う。 我々は,N2I-RAGを,スキャンおよびデジタルソースを含む内部構築されたフランスの海洋環境法コーパスを用いて評価した。
  論文  参考訳（メタデータ） (2026-05-26T12:21:48Z)
• 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)
• ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering [54.72902502486611]
  ReAG(Reasoning-Augmented Multimodal RAG)は、粗い部分ときめ細かい部分の検索と、無関係な通路をフィルタリングする批評家モデルを組み合わせた手法である。 ReAGは従来の手法よりも優れており、解答精度が向上し、検索された証拠に根ざした解釈可能な推論を提供する。
  論文  参考訳（メタデータ） (2025-11-27T19:01:02Z)
• Towards Reliable Retrieval in RAG Systems for Large Legal Datasets [6.376251215279889]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)における幻覚を緩和するための有望なアプローチである これは、構造的に類似したドキュメントの大規模なデータベースが、しばしば検索システムに障害を引き起こす、法的領域において特に困難である。 文書レベルの合成要約で各テキストチャンクを拡大する,単純で効率的な手法について検討する。 我々の研究は、この実用的でスケーラブルで、容易に統合可能な手法が、大規模法的文書データセットに適用した場合、RAGシステムの信頼性を高める証拠を提供する。
  論文  参考訳（メタデータ） (2025-10-08T13:22:20Z)
• How Do LLM-Generated Texts Impact Term-Based Retrieval Models? [76.92519309816008]
  本稿では,大規模言語モデル(LLM)が項ベース検索モデルに与える影響について検討する。 言語学的解析により,LLM生成テキストはよりスムーズで低周波なZipf勾配を示すことが明らかとなった。 本研究は,項分布がクエリと密接に一致した文書を優先して,項ベース検索モデルがソースバイアスを示すかどうかを考察する。
  論文  参考訳（メタデータ） (2025-08-25T06:43:27Z)
• All for law and law for all: Adaptive RAG Pipeline for Legal Research [0.8819595592190884]
  Retrieval-Augmented Generation (RAG)は、テキスト生成タスクのアプローチ方法を変えました。 この作業では、以前のベースラインを改善した、新しいエンドツーエンドのRAGパイプラインを導入している。
  論文  参考訳（メタデータ） (2025-08-18T17:14:03Z)
• SMA: Who Said That? Auditing Membership Leakage in Semi-Black-box RAG Controlling [50.66950115630554]
  Retrieval-Augmented Generation(RAG)とそのMultimodal Retrieval-Augmented Generation(MRAG)は、大規模言語モデル(LLM)の知識カバレッジと文脈理解を著しく向上させる。 しかし、検索とマルチモーダル融合によるコンテンツの曖昧さは、既存のメンバーシップ推論手法を事前学習、外部検索、ユーザ入力に確実に属性付けできないようにし、プライバシー漏洩の説明責任を損なう。 本稿では,検索制御機能を備えた半ブラックボックス設定において,生成したコンテンツの微粒なソース属性を実現するための,SMA (Source-aware Membership Audit) を提案する。
  論文  参考訳（メタデータ） (2025-08-12T17:32:24Z)
• 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)
• Learning to Filter Context for Retrieval-Augmented Generation [75.18946584853316]
  生成モデルは、部分的にまたは完全に無関係な経路が与えられた出力を生成するために要求される。 FILCOは、語彙と情報理論のアプローチに基づいて有用なコンテキストを特定する。 テスト時に検索したコンテキストをフィルタリングできるコンテキストフィルタリングモデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-11-14T18:41:54Z)

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。