Nov, 2019

从罪行定义中创建辅助表示用于刑事指控预测

PDF
TL;DR通过使用刑法条文的定义，基于刑法条款中的正式术语来解决不同罪案之间表达差异的问题，用于辅助法律助手系统中的罪案预测技术，并使用集成的句子和单词级别的注意机制来创建辅助事实表示。实验结果表明，我们的模型在类别数据有限的情况下，有望显著提高辅助系统的预测性能。
发现论文，激发创造
  • 利用法律基础学习预测刑事案件的指控

    该研究提出了一种基于注意力机制的神经网络方法来共同模拟指控预测任务和相关法律条款提取任务，实验结果表明，相关条款可以清晰地改善指控预测结果，该模型可以有效地预测不同表达风格的案件指控。

    Jul, 2017

  • 刑事案件的可解释性指控预测：从事实描述中学习生成法院观点

    该研究通过提出一种基于标签的 Seq2Seq 模型，旨在从刑事案件的事实描述中生成法庭观点，以提高刑事指控预测系统的可解释性和帮助自动生成法律文件。

    Feb, 2018

  • 充电预测模型是否学习了法理学？

    本文探讨了信任的罪名预测模型应该考虑法律理论，并提出了三个原则：敏感、选择性和推定无罪。作者设计了一个新的框架来评估现有的罪名预测模型是否学习了法律理论。结果表明，虽然现有的罪名预测模型在基准数据集上满足选择性原则，但它们大多数仍不够敏感，且不符合推定无罪的原则。

    Oct, 2022

  • 从图到词袋：将领域知识引入混乱电荷预测

    在法律人工智能中，混淆罪名预测是一项具有挑战性的任务，本文介绍了一种从图形到词袋（FWGB）的新方法，通过引入组成要素的领域知识以指导模型对混淆罪名进行判断，从而提高预测性能。

    Mar, 2024

  • 利用对比学习和数量证据提升混淆法律判断预测

    本文提出了基于 MoCo 的有监督对比学习方法，通过预训练数值模型提取刑事金额以提高案件描述的表征，解决了刑事案件分类中的混淆问题和量刑预测问题。实验结果证明该方法在公共基准测试中具有新的领先水平。

    Nov, 2022

  • 非专业描述的少样本领域自适应充电预测

    该研究提出了一种新颖的少样本域自适应方法 (DLCCP)，旨在改进非专业人士友好的指控预测模型。通过设计优化目标，将内容和样式空间解纠，同时提取和对齐元素级和实例级内容表示，该方法在开放数据集 NCCP 上的实验证明了其优越性。

    Sep, 2023

  • 利用社交媒体判决文件进行犯罪类型分类

    本文提出了一种新的基于 NLP 处理的训练模型，其中包括犯罪事实数据预处理模块（CFDPM）和使用改进的 Bert 模型的分类器，通过平衡数据集分布缺陷和生成新样本来解决犯罪类型分类中数据不均匀分布的问题，并在公共基准测试上取得了最新的最佳结果。

    Jun, 2023

  • SECaps：一种用于电荷预测的序列增强胶囊模型

    本文介绍了一种基于序列加强胶囊模型的自动刑事指控预测算法，该模型结合了法律文本的序列信息和空间信息，并且引入了 focal loss 来缓解非平衡目标的训练中的问题，并在 Criminal-S 和 Criminal-L 数据集中分别取得了 4.5% 和 6.4% 的显著提升。

    Oct, 2018

  • 探索文本分类在法律领域的应用

    本研究使用文本分类和机器学习方法，研究法律专业人员的支持应用。通过实验研究法国最高法院的判决和案件所属法律领域的高准确度预测，发现判决作出的时间对案例描述的形式和数据蒙版的使用会有影响，研究了多个支持向量机分类器的平均概率集成系统，平均 F1 值为 98％，预测案例判决，96％ F1 值用于预测案件的法律领域，对于估计判决日期的 F1 值为 87.07％。

    Oct, 2017

  • 学习句子表示的高效框架

    本文提出一种从未标记数据中学习句子表示的简单有效的框架，通过将句子出现的上下文预测问题重新表述为分类问题，并基于句子向量表示来区分上下文句子和对比句子，并在多个下游 NLP 任务中展示了高质量的句子表示的超越性能以及训练时间的数量级加速。

    Mar, 2018