鲁棒且可泛化的异构法律链接预测
机器学习
2026-02-05 v1 信息检索
摘要
最近的研究将链接预测应用于大型异构法律引用网络，运用了丰富的元特征。我们发现，通过引入边 Dropout 和特征拼接，以获得更稳健的表征，可提升该方法的效果，错误率可降低最高 45%。我们还提出了一种基于多语言节点特征的方案，并采用改进的非对称解码器以提高兼容性，从而实现对来自新西兰的、在地理和语言上彼此独立的数据的泛化预测。我们的改进措施还提高了这些相互独立法律体系之间的归纳迁移能力。
引用
@article{arxiv.2602.04812,
title = {Robust Generalizable Heterogeneous Legal Link Prediction},
author = {Lorenz Wendlinger and Simon Alexander Nonn and Abdullah Al Zubaer and Michael Granitzer},
journal= {arXiv preprint arXiv:2602.04812},
year = {2026}
}
备注
9 Pages