抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】