法律領域におけるデータ中心機械学習【JST・京大機械翻訳】

Westermann Hannes; Savelka Jaromir; Walker Vern R.; Ashley Kevin D.; Benyekhlef Karim

プレプリント

J-GLOBAL ID：202202210851309755 整理番号：22P0275813

法律領域におけるデータ中心機械学習【JST・京大機械翻訳】

Data-Centric Machine Learning in the Legal Domain

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年01月17日プレプリントサーバーでの情報更新日： 2022年01月17日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

機械学習研究は,典型的には,プロセスの初期に生成された固定データセットから始まる。実験の焦点は,いくつかの選択された評価尺度に関して最良の可能な性能をもたらすモデルと訓練手順を見つけることである。本論文では,データセットにおける変化がモデルの測定した性能にどのように影響するかを調べた。法的ドメインから3つの公的に利用可能なデータセットを用いて,それらのサイズ,列車/試験分割,および人間ラベリング精度がどのように訓練された深層学習分類器の性能に影響するかを調べた。全体性能(加重平均)とパークラス性能を評価した。観察された効果は驚くほど顕著であり,特に,パークラス性能を考慮した場合であった。クラス,すなわちセマンティック埋込み空間における文章の近接性がどのようにその分類の困難さに影響するかを調べた。提示した結果は,AI&Lawの分野におけるデータ収集とキュレーションに関連する努力に,かなり達している。結果はまた,AI&Lawにおける様々なタスクに関する分類性能を増加させるための追加経路として,MLモデルの進歩とともに,データセットへの強化が考慮できることを示した。最後に,データセット特性の潜在的影響を評価するための確立された方法論の必要性を論じた。【JST・京大機械翻訳】

, , , , ,
, , , , 【Automatic Indexing@JST】

人工知能

前のページに戻る