Core Concepts
変換器モデルに外部メモリを組み込み、自然言語の法的根拠を利用することで、分類結果の説明を生成できる。
Abstract
本研究では、変換器モデルに外部メモリを組み込み、自然言語の法的根拠を利用することで、分類結果の説明を生成する手法を提案している。
具体的には以下の通り:
変換器モデルに外部メモリを組み込み、メモリ内の自然言語の法的根拠を利用して分類結果を説明する。
メモリ内の法的根拠と入力テキストの類似度に基づいて、重要な根拠を選択する注意機構を導入する。
法的根拠と正解ラベルの関係を表す損失関数を定義し、モデルの学習時に活用する。
大規模なメモリに対応するため、効率的なサンプリング手法を提案する。
この手法を法的テキストの不公正条項検出と議論マイニングの2つのタスクで検証し、分類性能を維持しつつ、解釈可能性を向上できることを示している。
Stats
不公正条項検出タスクでは、条項の5割以上が不公正と判断されている。
議論マイニングタスクでは、クレームの割合は3.5%から4.2%の範囲にある。
Quotes
"変換器ベースのアーキテクチャを拡張し、自然言語の説明を含む外部メモリを活用することで、解釈可能性を高めつつ分類性能を維持できる。"
"大規模なメモリに対応するため、効率的なサンプリング手法を提案し、計算リソースの制限下でも適用可能にしている。"