論文の概要: Where Do Legal Factors Live in LLMs?

• arxiv url: http://arxiv.org/abs/2610.28799v1
• Date: Tue, 20 Oct 2026 18:24:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.120433
• Title: Where Do Legal Factors Live in LLMs?
• Title（参考訳）: LLMにおける法的要因の在り方
• Abstract要約: AI & Lawでは、HYPO次元とCATO因子は、ケース比較、法的議論、前例に基づく推論をサポートする法的概念と関係を表す。 大規模言語モデル(LLM)が26のCATO因子すべてに対応して内部表現を形成するかどうかを検討する。
• 参考スコア（独自算出の注目度）: 3.90727941420584
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In case-based legal reasoning, legal professionals identify legally significant fact patterns in a new dispute and compare them with those of decided cases. In AI & Law, HYPO dimensions and CATO factors represent these patterns symbolically, organizing expert knowledge distilled from case narratives as explicit, structured, interpretable, and auditable legal concepts and relations that support case comparison, legal argument, and precedent-based reasoning. Large language models (LLMs) are increasingly used for legal tasks, yet their internal organization of legal knowledge remains difficult to trace. We investigate whether LLMs form internal representations corresponding to all 26 CATO factors. Two research questions examine linear decodability and sparse localization with sparse autoencoders. Experiments cover three open models, Qwen3-1.7B, Qwen3-8B, and Gemma-2 2B, supported by cross-model comparison and human audit of controlled natural-language passages. Results show that all 26 factors are linearly decodable in all three models. Single-feature sparse readouts cover the complete factor catalog, with best-layer test AUCs ranging from 0.86 to 1.00. Five selected features approach full-vector readout performance. We report 78 model-specific layer-feature coordinates, one for each factor in each model. Together, these results show that information corresponding to expert-defined legal factors can be read from the internal activations of LLMs processing legal narratives. By locating these readouts, our study connects legal language and the symbolic abstractions of HYPO and CATO to learned internal representations.
• Abstract（参考訳）: ケースベースの法的推論では、法律専門家は新しい論争において法的に重要な事実パターンを特定し、決定された事例と比較する。 AI & Lawでは、HYPO次元とCATO因子はこれらのパターンを象徴的に表現し、ケース・ナラティブから抽出された専門知識を、ケース・比較、法的議論、前例に基づく推論をサポートする明示的で構造化され、解釈可能で、監査可能な法的概念と関係として整理する。 大規模言語モデル(LLM)は、法的タスクにますます使われるが、その内部的な法的知識の組織は、追跡が難しいままである。 LLMが26のCATO因子すべてに対応する内部表現を形成するかどうかを検討する。 2つの研究課題は、スパースオートエンコーダによる線形陰極性とスパースローカライゼーションである。 実験は3つのオープンモデル、Qwen3-1.7B、Qwen3-8B、Gemma-2 2Bをカバーする。 その結果,26因子はすべて3つのモデルで線形デオード可能であることがわかった。 単機能スパース読み出しは完全な因子カタログをカバーし、最良の層試験AUCは0.86から1.00までである。 選択された5つの機能は、フルベクタ読み込みパフォーマンスにアプローチする。 モデル毎の各因子について,78のモデル固有層-機能座標を報告する。 これらの結果から, LLMの内部的アクティベーションから, 専門家が定義した法的要因に対応する情報を読み取ることが可能であることが示唆された。 これらの読み出しを探索することにより、法言語とHYPOとCATOの象徴的な抽象概念を結びつけ、内部表現を学習する。

関連論文リスト

• From Legal Text to Executable Decision Models: Evaluating Structured Representations for Legal Decision Model Generation [0.3519650551107762]
  我々は、オランダ環境計画法(Dutch Environment and Planning Act)の法的テキストとプロダクショングレードの意思決定モデルを組み合わせた、ユニークな実世界のデータセットを使用します。 これらのモデルがOmgevingsloket政府プラットフォームを支えており、市民は環境活動の許可要件を確認する。 中間構造表現は法的テキストからLLMに基づく決定モデルの生成を改善することができるかを検討する。
  論文  参考訳（メタデータ） (2026-04-18T21:36:48Z)
• LegalOne: A Family of Foundation Models for Reliable Legal Reasoning [54.57434222018289]
  我々は、中国の法律ドメインに特化された基礎モデルのファミリーであるLegalOneを紹介します。 LegalOneは、法的推論をマスターするために設計された包括的な3フェーズパイプラインを通じて開発されている。 LegalOneの重み付けとLegalKit評価フレームワークを公開して、Legal AIの分野を前進させます。
  論文  参考訳（メタデータ） (2026-01-31T10:18:32Z)
• Structured Definitions and Segmentations for Legal Reasoning in LLMs: A Study on Indian Legal Data [27.162165587035176]
  大規模な言語モデル(LLM)は、Webからの広範なデータセットに基づいて訓練され、目覚ましい一般的な推論スキルを示す。 しかし、主にドメイン固有の事前訓練がないため、法律のような専門分野に苦しむことが多い。 従来の研究では、知識ギャップに対処するためのコンテキスト内アプローチを検証し、ドメインの完全な整合性のない新しいドメインにおけるモデル性能を高めてきた。
  論文  参考訳（メタデータ） (2025-11-14T13:24:00Z)
• ReaKase-8B: Legal Case Retrieval via Knowledge and Reasoning Representations with LLMs [37.688405624086315]
  ReaKase-8Bフレームワークは、抽出された法的事実、法的問題、法的関係のトリプレット、および効果的な訴訟検索のための法的推論を活用するために提案されている。 COLIEE 2022とCOLIEE 2023による2つのベンチマークデータセットの実験により、我々の知識と拡張埋め込みの推論が検索性能を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2025-10-30T06:35:36Z)
• SoK: Large Language Model Copyright Auditing via Fingerprinting [69.14570598973195]
  既存の手法をホワイトボックスとブラックボックスのアプローチに分類する統一的な枠組みと形式的な分類法を導入する。 現実的な展開シナリオ下でのLDMフィンガープリント評価のための最初の体系的ベンチマークであるLeaFBenchを提案する。
  論文  参考訳（メタデータ） (2025-08-27T12:56:57Z)
• DELTA: Pre-train a Discriminative Encoder for Legal Case Retrieval via Structural Word Alignment [55.91429725404988]
  判例検索のための識別モデルであるDELTAを紹介する。 我々は浅層デコーダを利用して情報ボトルネックを作り、表現能力の向上を目指しています。 本手法は, 判例検索において, 既存の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2024-03-27T10:40:14Z)
• LLM vs. Lawyers: Identifying a Subset of Summary Judgments in a Large UK Case Law Dataset [0.0]
  本研究は, 英国裁判所判決の大規模コーパスから, 判例, 判例、 判例、 判例、 判例、 判例、 判例、 判例、 判例、 判例、 判例、 判例、 判例、 判例、 判例、 判例、 判例、 判例、 判例、 判例、 判例、 判例、 判例、 判例、 判例、 判例、 判例、 判例、 我々は、ケンブリッジ法コーパス356,011英国の裁判所決定を用いて、大きな言語モデルは、キーワードに対して重み付けされたF1スコアが0.94対0.78であると判断する。 我々は,3,102件の要約判断事例を同定し抽出し,その分布を時間的範囲の様々な英国裁判所にマップできるようにする。
  論文  参考訳（メタデータ） (2024-03-04T10:13:30Z)
• MUSER: A Multi-View Similar Case Retrieval Dataset [65.36779942237357]
  類似事例検索(SCR)は、司法公正の促進に重要な役割を果たす代表的法的AIアプリケーションである。 既存のSCRデータセットは、ケース間の類似性を判断する際にのみ、事実記述セクションにフォーカスする。 本稿では,多視点類似度測定に基づく類似事例検索データセットMと,文レベル法定要素アノテーションを用いた包括的法定要素を提案する。
  論文  参考訳（メタデータ） (2023-10-24T08:17:11Z)
• SAILER: Structure-aware Pre-trained Language Model for Legal Case Retrieval [75.05173891207214]
  判例検索は知的法体系において中心的な役割を果たす。 既存の言語モデルの多くは、異なる構造間の長距離依存関係を理解するのが難しい。 本稿では, LEgal ケース検索のための構造対応プレトランザクショナル言語モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T10:47:01Z)

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。