Re24：读论文 IOT-Match Explainable Legal Case Matching via Inverse Optimal Transport-based Rationale Ext

诸神缄默不语-个人CSDN博文目录

论文名称：Explainable Legal Case Matching via Inverse Optimal Transport-based Rationale Extraction
论文ArXiv下载地址：https://arxiv.org/abs/2207.04182
论文SIGIR官方下载地址：https://dl.acm.org/doi/abs/10.1145/3477495.3531974（包含官方讲解视频）
此外AIS 2022也有这篇论文的分享，可参考我之前写的笔记博文ACL-IJCAI-SIGIR顶级会议论文报告会（AIS 2022）笔记2：分析与可解释性，其中第5个就是本篇论文。
官方GitHub项目：ruc-wjyu/IOT-Match

本文是SIGIR2022论文，作者来自人大和华为。
法律案例匹配在法律检索领域非常重要，这一任务对可解释性有高要求。因此本文提出IOT-Match模型，将法律案例匹配问题构建为逆向最优运输（IOT）问题。
现存方法大多关注法律案例句子级别的相似性，而IOT-Match关注基于句子的语义和legal characteristics从成对的法律案例中抽取rationales。抽取出的rationales还可用于提供可信解释和指导匹配。
IOT-Match还对匹配标签不足的问题鲁棒，因此对有监督和半监督范式都可用。
本文还在CAIL数据集的基础上提出了ELAM (Explainable Legal cAse Matching)，包含案例匹配标签及其rationales、对齐和标签的自然语言解释。

这篇我实在是没看懂，很离谱，这玩意太数学了，以后有缘分了再看吧。

1. Background

计算最优运输准备以后慢慢看的参考资料：

1. 优化 | 计算最优传输（Computational Optimal Transport） - 知乎
2. 运筹千里纵横论坛｜王祥丰：计算最优传输及其应用浅谈_哔哩哔哩_bilibili
3. The Book - Computational Optimal Transport
4. 数值优化与分布式优化 - 知乎

法律案例匹配关注识别成对法律案例之间的关系。这对普通法系和民法系的判案决策都有参考价值。
现存方法有基于PCNet¹和基于Bert²的，这些方法的问题在于无法对匹配结果提供有说服力的、忠实的解释。
在篇幅长的法律文书中，只有rationales表征支持匹配结果的legal characteristics和对应的解释。但现存方法会忽略rationales和其他句子的角色差异。
此外，理想的解释还需要正负两方面的理由。但现存各领域的rationales抽取方法都不能实现这一点。
最后，标记解释（不同案例的对齐rationales）昂贵、稀疏、有偏（仅正确标记少量正样本对，存在海量负样本对）。因此有监督方法往往会导致次优匹配结果和不可靠的解释。

IOT-Match将正负rationales的抽取和匹配视作最优运输问题，由一个反应跨案例句子之间语义和legal characteristic关系的、可学习的affinity matrix来指导，这个affinity matrix由逆向最优运输过程学习，即需解决一个bi-level optimization problem。这样，IOT-Match学习直接抽取正负rationales。然后将抽取出的rationales输入预训练模型生成匹配结果的label-specific自然语言解释。为了去除噪声句并对正负理由赋权，最终匹配结果基于抽取出的rationales和label-specific解释生成。

related work部分包含法律案例匹配和legalAI可解释性两部分，细节待补。

2. 问题定义与模型构建

2.1 问题定义

每对标注数据包含：

• 案例$X$（BERT句子嵌入集合）

• rationale labels ${\mathbf{r}}^{X/Y}$（与句子嵌入集合对应）

• binary alignment matrix $\hat{A}$（rationales之间的语义关系）

• mathing label $z$

• 解释$z$的句子集合$e$
  公式中的全等于表示语义上相似。$\hat{a}$表示对应rationales是否对齐，给匹配结果提供正负证据。

示例：

可解释的法律案例匹配：①抽取对齐和非对齐的rationales。②从中抽取出候选解释。③生成最终匹配标签和解释。

2.2 模型原理

因为最优运输这块我完全不懂，所以论文说啥我就当是啥了：
给出两个句子表征集合（$X$和$Y$），我们假设其实证分布是uniform的：

离散地计算最优运输距离……底下的没看懂，懒得粘了，以后看懂了再说吧。

2.3 IOT-based Rationale Extraction

2.4 Generating Candidate Explanations

3. 实验

实验目标是：

1. 超过带解释的法律案例匹配和文本匹配的SOTA模型的匹配准确度
2. 解释（包括抽取的rationales和生成自然语言）效果
3. 利用有限的rationale alignment labels

以下细节待补。

3.1 数据集ELAM&eCAIL

3.2 baseline

无解释的：

• Sentence-Bert
• lawformer
• BERT-PLI
• Thematic Similarity

带解释的：

• NILE
• LIREx

rationale extraction：

• MT-H-LSTM
• MLMC
• DecAtt

3.3 实验设置

3.4 主实验结果

3.5 实验分析

3.5.1 Ablation Study

3.5.2 Case Study

4. 代码复现

等我服务器好了再说。

---

1. 参考文献：Similarity analysis of legal judgments
   对PCNet的介绍可参考我之前写的博文：Re8：读论文 Hier-SPCNet: A Legal Statute Hierarchy-based Heterogeneous Network for Computing Legal Case︎

2. BERT-PLI: Modeling Paragraph-Level Interactions for Legal Case Retrieval和Lawformer: A Pre-trained Language Model for Chinese Legal Long Documents︎