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
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
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。
Nov, 2019
本文提出了一种参数高效的法律领域适应方法,该方法使用公共法律论坛的海量无监督法律数据进行法律预训练,成功地在各种法律任务上超过或匹配现有模型的低样本学习性能,同时只调整了约0.1%的模型参数,达到与现有方法相当的校准效果。
Oct, 2022
该论文将欧洲人权法院的法律判决预测转化为一种基于文章的分类任务,并通过领域自适应方法提高零样本转移性能。实验表明这种基于文章的架构优于直接的事实分类,并发现领域自适应方法可以提高性能。
Feb, 2023
本文研究了从不平衡的源领域到部分目标领域的法律领域适应性问题,该领域的任务是提高针对非专业事实描述的法律判断预测。我们将此任务描述为部分和不平衡的领域适应问题,并探索了在源域中大规模的非共享类相关数据,通过分级加权适应来解决这个限制。我们在深度学习模型中嵌入了一种新的部分不平衡领域适应技术(AIDA),它可以共同借用非共享类的兄弟知识来处理源领域中的共享类并进一步将共享类的知识从源领域转移到目标领域。实验结果表明,我们的模型优于现有的算法。
Feb, 2023
本文研究使用最新的生成式预训练转换器(GPT)模型分析各种类型法律文件中一到几句话长度的文本片段的语义注释能力,结果表明该模型能够在零样本学习中表现出色,可广泛应用于语义注释的法律文本处理流程中。
May, 2023
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
通过引入基于人类司法推理的问-辨-判 (ADAPT) 推理框架,将大型语言模型 (LLMs) 用于有效的法律判决预测,并通过多任务合成轨迹的微调来提高准确性和效率,本论文在两个广泛使用的数据集上进行了详尽的实验证明了我们的框架在法律判决预测方面的优越性,尤其是对于复杂和混乱的指控。
Jul, 2024
本研究针对现有法律指控预测方法未能有效利用多源外部知识的不足,提出了一种基于提示学习框架的方法。该方法通过法律知识库、对话式大语言模型和相关法律文献,融合多种异构外部知识,显著提升了模型推理效果,并在当前最大法律指控预测数据集CAIL-2018上取得了最优实验结果,表现出较低的数据依赖性和强有力的可解释性。
Aug, 2024