JurisCTC：通过跨域迁移和对比学习提升法律判决预测
计算与语言
2025-06-06 v1 人工智能
计算机与社会
摘要
近年来，由于其提升模型在不同领域间泛化能力的作用，无监督域适应（UDA）在自然语言处理（NLP）领域受到广泛关注。然而，其在不同法律领域之间进行知识迁移的应用仍基本未被探索。为解决 lengthy and complex legal texts 以及大规模标注数据稀缺的挑战，我们提出了 JurisCTC，这是一个 novel model，用于提高法律判决预测（LJP）任务的准确率。与现有方法不同，JurisCTC 促进了不同法律领域之间有效的知识迁移，并采用对比学习来区分不同领域的样本。具体而言，对于 LJP 任务，我们在民事和刑事法律领域之间实现了知识迁移。与其他模型和特定大型语言模型（LLM）相比，JurisCTC 实现了显著的进展，分别达到了 76.59% 和 78.83% 的最高准确率。
引用
@article{arxiv.2504.17264,
title = {JurisCTC: Enhancing Legal Judgment Prediction via Cross-Domain Transfer and Contrastive Learning},
author = {Zhaolu Kang and Hongtian Cai and Xiangyang Ji and Jinzhe Li and Nanfei Gu},
journal= {arXiv preprint arXiv:2504.17264},
year = {2025}
}
备注
Accepted in International Joint Conference on Neural Networks (IJCNN) 2025