可解释的低成本法律决策

过去几年中，深度学习的法律应用不断增多。然而，与其他高风险决策领域一样，可解释性要求至关重要。法律从业者当前使用的模型更多属于传统机器学习类型，其本身可解释，却无法利用数据驱动深度学习模型的性能能力。本工作中，我们在商标法领域利用深度学习模型阐明商标间混淆可能性的问题。具体而言，我们引入一种模型无关的可解释中间层，该技术被证明对法律文档有效。此外，我们通过课程学习策略利用弱监督学习，有效展示了深度学习模型性能的提升。这与仅能利用法律专家标注的少量昂贵人工样本的传统模型形成对比。尽管本工作提出的方法解决了商标混淆风险任务，将其推广至其他法律领域或更广泛地其他类似高风险应用场景是直接可行的。