Exploring Graph Neural Networks for Indian Legal Judgment Prediction

要約

判事対事件の比率の偏りが司法制度に及ぼす厄介な影響は、継続的な新規事件の流入と並行して、膨大な未解決事件として明らかになっている。
この問題に取り組み、司法手続きを迅速化するためには、事実証拠と過去の判例に基づいて事件の結果を提案できる自動化システムの提案が重要になっています。
この研究論文は、司法裁判予測 (LJP) 問題に対処するためのグラフ ニューラル ネットワーク ベースのモデルの開発に重点を置き、裁判事件の固有のグラフ構造を認識し、それをバイナリ ノード分類問題にします。
私たちはモデルの特徴としてさまざまな埋め込みを調査し、同時に時間ノードや司法行為などのノードを追加および枝刈りしてモデルのパフォーマンスを評価しました。
この研究は、性別と名前のバイアスを考慮しながら、これらの予測における公平性の倫理的側面を考慮しながら行われています。
指定された 2 つのノード間の接続を予測するモデルの能力を評価するために、リンク予測タスクも実行されます。
この研究は、グラフ ニューラル ネットワークの機能を活用し、公平性分析を組み込むことにより、判決プロセスの合理化、司法の効率性の向上、より公平な法的環境の促進に向けた洞察に貢献し、最終的には未解決事件の増加による負担を軽減することを目的としています。
XLNet の事前トレーニング済み埋め込みを機能として備えた最高のパフォーマンスのモデルでは、LJP タスクのマクロ F1 スコアが 75% となっています。
リンク予測の場合、同じ機能セットが最高のパフォーマンスを示し、ROC が 80% 以上になります。

要約(オリジナル)

The burdensome impact of a skewed judges-to-cases ratio on the judicial system manifests in an overwhelming backlog of pending cases alongside an ongoing influx of new ones. To tackle this issue and expedite the judicial process, the proposition of an automated system capable of suggesting case outcomes based on factual evidence and precedent from past cases gains significance. This research paper centres on developing a graph neural network-based model to address the Legal Judgment Prediction (LJP) problem, recognizing the intrinsic graph structure of judicial cases and making it a binary node classification problem. We explored various embeddings as model features, while nodes such as time nodes and judicial acts were added and pruned to evaluate the model’s performance. The study is done while considering the ethical dimension of fairness in these predictions, considering gender and name biases. A link prediction task is also conducted to assess the model’s proficiency in anticipating connections between two specified nodes. By harnessing the capabilities of graph neural networks and incorporating fairness analyses, this research aims to contribute insights towards streamlining the adjudication process, enhancing judicial efficiency, and fostering a more equitable legal landscape, ultimately alleviating the strain imposed by mounting case backlogs. Our best-performing model with XLNet pre-trained embeddings as its features gives the macro F1 score of 75% for the LJP task. For link prediction, the same set of features is the best performing giving ROC of more than 80%

arxiv情報

提供元, 利用サービス

arxiv.jp, Google