論文の概要: Comparing GenAI to Machine Learning and Manual Review for eDiscovery

• arxiv url: http://arxiv.org/abs/2610.16925v1
• Date: Mon, 12 Oct 2026 15:08:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.393092
• Title: Comparing GenAI to Machine Learning and Manual Review for eDiscovery
• Title（参考訳）: GenAIと機械学習の比較とeDiscoveryのマニュアルレビュー
• Abstract要約: ジェネレーティブAIレビューツール(AIR)は88%のリコールを達成した一方、その機械学習ツールであるRelativity Assisted Learning(RAL)は64%のリコールを達成した。 これらの結果は、機器間不一致や、異なるリコール精度とコスト対効果のトレードオフを表すため、異なる目的を持つため、同等ではない。 継続的アクティブラーニング(CAL)を用いた確立された機械学習モデルは、2,000のファーストパス-リビューア応答性決定のサンプルでのみトレーニングされた場合、最先端の有効性と優れた効率を示す。
• 参考スコア（独自算出の注目度）: 1.2425910171551517
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Keeling et al. [Keeling2026Generative] report on a case study recently conducted by Redgrave LLP in which they assert that Relativity's Generative AI Review tool (aiR) achieved 88% recall while Relativity Assisted Learning (RAL), its machine-learning tool, achieved 64% recall. These results are not comparable because the methods employed have different objectives, because of inter-assessor disagreement, and because they represent different recall-precision and cost-benefit trade-offs. Our analysis of the Redgrave data indicates that, when these differences are taken into account, aiR and manual review are comparable. Furthermore, established machine-learning models employing Continuous Active Learning (CAL) show state-of-the-art effectiveness, and superior efficiency, when trained only on a sample of 2,000 first-pass-reviewer responsiveness determinations.
• Abstract（参考訳）: Keeling et al [Keeling2026Generative] 最近Redgrave LLPが実施したケーススタディのレポートでは、RelativityのGenerative AI Reviewツール(aiR)が88%のリコールを達成した一方、Relativity Assisted Learning(RAL)は64%のリコールを達成したと主張している。 これらの結果は、機器間不一致や、異なるリコール精度とコスト対効果のトレードオフを表すため、異なる目的を持つため、同等ではない。 Redgraveデータの解析は、これらの違いを考慮すると、aiRと手動のレビューは同等であることを示している。 さらに、CAL(Continuous Active Learning)を用いた確立された機械学習モデルは、2000のファーストパス-リビューア応答性決定のサンプルでのみトレーニングした場合、最先端の有効性と優れた効率を示す。

関連論文リスト

• Sentiment Analysis of AI Adoption in Indonesian Higher Education Using Machine Learning and Transformer-Based Models [0.0]
  本研究は、高等教育における人工知能の導入に関するインドネシアの学生の意見を分析する。 データセットは2,295のラベル付きサンプルで構成され、1,154人の学生の意見と追加の語彙的感情データを組み合わせた。
  論文  参考訳（メタデータ） (2026-04-30T05:25:05Z)
• Efficient Machine Unlearning via Influence Approximation [75.31015485113993]
  インフルエンサーベースのアンラーニングは、個別のトレーニングサンプルがモデルパラメータに与える影響を再トレーニングせずに推定する顕著なアプローチとして現れてきた。 本稿では,暗記(増分学習)と忘れ(未学習)の理論的関連性を確立する。 本稿では、インフルエンス近似アンラーニングアルゴリズムを導入し、インクリメンタルな視点から効率的なマシンアンラーニングを行う。
  論文  参考訳（メタデータ） (2025-07-31T05:34:27Z)
• Evaluation of Machine Learning Models in Student Academic Performance Prediction [0.0]
  本研究では,学校環境における学生の学業成績を予測するための機械学習手法について検討する。 行動、学術、人口統計の詳細を持つ学生のデータは、標準的な古典的機械学習モデルの実装に使用された。
  論文  参考訳（メタデータ） (2025-06-08T13:33:49Z)
• Hybrid Deep Learning Model to Estimate Cognitive Effort from fNIRS Signals [0.0]
  本研究では,ハイブリッドDeepNetモデルを用いて,機能的近赤外分光データと性能スコアに基づく認知的努力を推定する。 本研究では,教育用クイズゲームにおいて,機能的近赤外分光法を用いて酸素化ヘモグロビンを採取した。
  論文  参考訳（メタデータ） (2025-04-03T17:54:59Z)
• Towards Effective Evaluations and Comparisons for LLM Unlearning Methods [97.2995389188179]
  本稿では,大規模言語モデルにおける機械学習評価の精度向上を図る。 評価指標の堅牢性と、競合する目標間のトレードオフという、2つの重要な課題に対処します。
  論文  参考訳（メタデータ） (2024-06-13T14:41:00Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• Evaluating Machine Unlearning via Epistemic Uncertainty [78.27542864367821]
  本研究では,不確実性に基づく機械学習アルゴリズムの評価を行う。 これは私たちの最良の知識の一般的な評価の最初の定義です。
  論文  参考訳（メタデータ） (2022-08-23T09:37:31Z)
• Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
  データセットバイアスは、機械学習における不公平な原因の1つです。 不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。 また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
  論文  参考訳（メタデータ） (2021-04-14T14:20:22Z)

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。