論文の概要: StrucChunk: Structure-Aware Retrieval for Legal Document RAG

• arxiv url: http://arxiv.org/abs/2610.26313v1
• Date: Mon, 19 Oct 2026 12:56:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 18:24:58.682998
• Title: StrucChunk: Structure-Aware Retrieval for Legal Document RAG
• Title（参考訳）: StrucChunk: 法的文書RAGのための構造対応検索
• Abstract要約: StrucChunkは階層的に構造化された法律文書のためのハイブリッドな密度スパース検索システムである。 条項境界を保存し、埋め込み前に相互参照を解決し、BM25と相互ランクフュージョンを介してBGE-M3を結合する。 5つのコーパス、3つの法的な伝統、2つの言語について評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Retrieval-Augmented Generation (RAG) can ground LLM outputs in domain-specific knowledge, but legal documents are hard: standard chunking fragments hierarchical argument structure, and generic embeddings struggle with both precise citation matching and semantic understanding. We propose StrucChunk (Structure Aware Chunking) with hybrid dense-sparse retrieval for hierarchically structured legal documents. It treats documents as directed acyclic graphs of provisions, preserves clause boundaries, resolves cross-references before embedding, and combines BM25 with BGE-M3 via Reciprocal Rank Fusion. We evaluate on five corpora, three legal traditions and two languages. StrucChunk reaches 100% boundary precision (vs. 7.7% for recursive splitting on CrPC), preserves 97.6% of documented cross-references (vs. 0%), and matches section coverage with 40.3% fewer chunks on GDPR. On LegalBench-RAG (6,858 query-passage pairs), it achieves Char-Recall@8 of 48.18% vs. 23.59% for the best baseline (+104%), surpassing the published state of the art by +83%. On 501 queries each for CrPC and CPC (Indian law), Recall@5 improves from 0.557 to 0.804 (+44.4%) and from 0.158 to 0.259 (+64.6%); chunking accounts for 88% and 73% of the gain. On 501 GDPR queries, Recall@5 is 0.868 with R@1 improving +59%. On NitiBench-CCL (3,730 Thai financial law queries), HR@5 is 0.856 vs. 0.594 for naive chunking (+44.1%), showing that section-boundary alignment is the dominant factor across languages, and cross-reference augmentation adds +2.3% on cross-reference queries. We release the implementation, 5,256 evaluation queries across five legal corpora, annotation methodology and chunking quality metrics. Code: github.com/SinghSuryaDeep/legal-rag-strucchunk-1
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は LLM の出力をドメイン固有の知識に基礎付けることができるが、法的文書は難しい。 本稿では,階層的に構造化された法文書に対して,ハイブリッドな密度スパース検索を用いたStrucChunk(Structure Aware Chunking)を提案する。 文書を規定の非巡回グラフとして扱い、節境界を保存し、埋め込み前に相互参照を解決し、相互ランクフュージョンを介してBM25とBGE-M3を結合する。 5つのコーパス、3つの法的な伝統、2つの言語について評価する。 StrucChunkは100%境界精度(CrPCで再帰的な分割で7.7%)に達し、文書化された相互参照の97.6%(vs.0%)を保存し、GDPRで40.3%少ない範囲でカバーしている。 LegalBench-RAG (6,858のクエリパスペア)では、最高のベースライン(+104%)で48.18%対23.59%のChar-Recall@8を達成する。 CrPCとCPC(インディアン法)の501クエリでは、Recall@5は0.557から0.804(+44.4%)に改善され、0.158から0.259(+64.6%)に改善された。 501のGDPRクエリでは、Recall@5は0.868で、R@1は+59%改善している。 NitiBench-CCL (3,730 タイの金融法クエリ)では、HR@5 は 0.856 対 0.594 対 0.594 である(+44.1%)。 5つの法定コーパス、アノテーション方法論、およびチャンキング品質指標に対する5,256の評価クエリの実装をリリースする。 コード:github.com/SinghSuryaDeep/legal-rag-strucchunk-1

関連論文リスト

• HIRA: A Human-in-the-Loop Retrieval-Augmented Cascade for Document Classification in Regulated Industries [1.5965246343492343]
  HIRAは、トレーニング不要でオンプレミスの検索拡張された、規制されたデプロイメントにおけるドキュメント分類のためのカスケードである。 信頼された文書は、検索によって直接分類され、不確実または視覚的に不確実な文書は、ローカルにホストされた検証者に渡される。 プライベートな80クラスのトレーディングファイナンスコーパスでは、HIRAが30,233のドキュメント生成ストリームを処理し、わずか1,945のドキュメントに対して人間の修正を要求する。
  論文  参考訳（メタデータ） (2026-08-22T06:19:19Z)
• OenoBench: A Wine-Domain Benchmark for Knowledge-Grounded Evaluation of Large Language Models [0.0]
  OenoBenchは、6つの柱(地域、ブドウ品種、ブドウ栽培、ワイン製造、生産者、事業)にまたがる3,266の複数選択質問のワインドメイン知識ベンチマークである。 コーパスは、政府登録簿(INAO、TB、OIV)、査読されたジャーナル、ウィキペディア/ウィキデータから35の証明済みのスクレーカーによって抽出された38,104の原子的、情報源による事実から作られている。 すべてのクレームはURLに遡り、すべての質問は5つのジェネレータファミリーの5つの戦略のうちの1つによって生成される。
  論文  参考訳（メタデータ） (2026-08-20T14:37:22Z)
• The Recall Trap: A Recall-Maximizing Retriever Configuration Reduces Issue Resolution in Fixed-Budget Code Context [45.88028371034407]
  コード修復における制御ケーススタディを報告し,新しい現象ではない。 私たちは、同じスタック上の1つのフラグ(1チャンク毎の重複)を切り替えます。 BM25(3.2pp、重要なパラダイム間相互作用)を逆転させる。 厳格な固定予算では、ファイルごとのハードダイドプリケートや、タスクに対するA/Bパッケージングポリシは、メトリックフラグを調整しないことが示されます。
  論文  参考訳（メタデータ） (2026-08-14T19:22:50Z)
• PaDoc: Layout-Grounded Parallel Decoding for Document Parsing [45.6402658645855]
  ドキュメントはページレイアウトと地域コンテンツを1つの自己回帰シーケンスにシリアライズする。 本研究では,レイアウトを共有ページ表現上の分岐構造として扱うレイアウトグラウンドのPaDocを提案する。 384ページのサブセットと1つのA800では、PaDocは5段階で最速のエンド・ツー・エンドであり、有効ページのスループットは67.4-118%向上した。
  論文  参考訳（メタデータ） (2026-08-06T15:16:18Z)
• LLM-Guided Planning for Multi-hop Reasoning over Multimodal Nuclear Regulatory Documents [2.3651168422805027]
  エージェントはこれまでに収集された証拠を観察し、検査のために次の文書の断片を選び、証拠が十分であれば停止する。 このエージェントは、閲覧、読み、検索ツールを使用してベクトルレス文書ツリー上で動作し、動的知識グラフ(KG)を状態として保持する。 NuScale Final Safety Analysis Report (FSAR) の文書に対する200クエストベンチマークでは、システムは81.5%の精度で0.93の忠実さを達成している。
  論文  参考訳（メタデータ） (2026-06-28T13:45:59Z)
• How Far Is Document Parsing from Solved? PureDocBench: A Source-TraceableBenchmark across Clean, Degraded, and Real-World Settings [56.70440596502351]
  昨年は20以上のオープンドキュメントパースモデルが見られたが、ベンチマークはほぼOmniDocBenchにのみ依存している。 HTML/CSSのドキュメントイメージをレンダリングするベンチマークであるPureDocBenchは、10のドメイン、66ページ、1,475ページをカバーしています。
  論文  参考訳（メタデータ） (2026-05-08T09:30:31Z)
• Delta-Based Neural Architecture Search: LLM Fine-Tuning via Code Diffs [48.83701310501069]
  大規模言語モデル(LLM)は、ニューラルアーキテクチャ生成の強力な可能性を示している。 既存のアプローチは、ゼロから完全なモデル実装を生成します。 我々はデルタ符号生成法を提案し、細調整されたLLMはコンパクトな統一差分を生成する。
  論文  参考訳（メタデータ） (2026-05-06T13:32:05Z)
• Constraint-Guided Multi-Agent Decompilation for Executable Binary Recovery [47.704311990064554]
  脱コンパイルは、セキュリティ分析、マルウェアのリバースエンジニアリング、レガシーソフトウェアメンテナンスに不可欠である。 マルチレベル制約誘導型デコンパイル(MCGD)により,デコンパイルされたコードを再実行可能なソースに変換するマルチエージェントフレームワークを提案する。 本フレームワークは,84～97%の再実行性を実現し,28～89ポイントのベースラインデコンパイラ出力を改善した。
  論文  参考訳（メタデータ） (2026-04-27T01:28:11Z)
• Resolving the Robustness-Precision Trade-off in Financial RAG through Hybrid Document-Routed Retrieval [7.563079821809866]
  Hybrid Document-Routed Retrieval (HDRR)は、SFRを文書フィルタとして使用する2段階アーキテクチャである。 実験の結果,HDRRは各測定値において最高の性能を示した。
  論文  参考訳（メタデータ） (2026-03-26T18:05:38Z)
• Advancing Retrieval-Augmented Generation for Structured Enterprise and Internal Data [0.0]
  大きな言語モデル(LLM)は強力な生成能力を持つ。 静的事前トレーニング、短いコンテキストウィンドウ、および異種データフォーマットを処理する際の課題によって制限されている。 従来のRetrieval-Augmented Generation (RAG) フレームワークはこれらのギャップのいくつかに対処するが、構造化データや半構造化データに苦慮することが多い。 本研究では,SpaCy NERとクロスエンコーダによるメタデータ認識フィルタリングにより強化された,高密度埋め込み(All-mpnet-base-v2)とBM25を用いたハイブリッド検索戦略を組み合わせた高度なRAGフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-16T17:13:06Z)

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。