A Machine Learning Theory Perspective on Strategic Litigation

समस्या की परिभाषा

यह शोध पत्र मशीन लर्निंग थ्योरी के दृष्टिकोण से रणनीतिक मुकदमेबाजी (जिसे इम्पैक्ट लिटिगेशन भी कहा जाता है) की जांच करता है। एक सामान्य कानून (common-law) वाली कानूनी प्रणाली में, निचली अदालतें उच्च न्यायालयों द्वारा स्थापित मिसालों (precedents) से बंधी होती हैं। लेखक इस गतिशीलता को एक लर्निंग समस्या के रूप में मॉडल करते हैं: निचली अदालतें उच्च न्यायालय के ऐतिहासिक निर्णयों से एक निर्णय नियम (classifier) सीखती हैं। एक रणनीतिक मुकदमेबाज (strategic litigator) भविष्य के कानूनी परिणामों को न केवल एक एकल मामला जीतने के माध्यम से, बल्कि निचली अदालत के लिए उपलब्ध मिसालों के सेट को हेरफेर करके प्रभावित करने का लक्ष्य रखता है।

मुख्य समस्या इस प्रकार परिभाषित है है: एक निश्चित लेबलिंग फंक्शन $f^*$ वाले उच्च न्यायालय, एक नियतात्मक (deterministic) लर्निंग एल्गोरिदम $\mathcal{A}$ का उपयोग करने वाली निचली अदालत, और एक लक्ष्य फंक्शन $g$ (जो भविष्य के मामलों के लिए वांछित निर्णय नियम का प्रतिनिधित्व करता है) वाले रणनीतिक मुकदमेबाज को देखते हुए, मुकदमेबाज को उच्च न्यायालय के समक्ष लाने के लिए केस फैक्ट पैटर्न्स का एक सेट $S_l$ चुनना होगा। उच्च न्यायालय इन मामलों को $f^*$ के अनुसार लेबल करता है, और निचली अदालत अपने सीखे हुए फंक्शन को अपडेट करती है: $f \leftarrow \mathcal{A}(S_h \cup S_l)$, जहाँ $S_h$ मौजूदा ऐतिहासिक मिसाल है। मुकदमेबाज का उद्देश्य भविष्य के मामलों के वितरण $D$ पर सीखे गए फंक्शन $f$ और लक्ष्य फंक्शन $g$ के बीच अपेक्षित वर्गीकरण त्रुटि (classification error) को कम करना है।

कार्यप्रणाली और मॉडल

लेखक एक दो-स्तरीय न्यायालय प्रणाली (उच्च न्यायालय और निचली अदालतें) के अत्यधिक शैलीबद्ध (stylized), अमूर्त मॉडल का प्रस्ताव करते हैं और इसे दो विशिष्ट इंस्टांशियेशन्स के तहत विश्लेषण करते हैं:

1. 1-आयामी निएरेस्ट नेबर (Nearest Neighbor) सेटिंग: केस फैक्ट्स $\mathbb{R}$ में बिंदु हैं। निचली अदालत एक निएरेस्ट नेबर (NN) क्लासिफायर का उपयोग करती है। हाइपोथीसिस क्लास परिमित परिवर्तनों (finite alternations) वाले बूलियन फंक्शन्स का समूह है।
2. $d$-आयामी लीनियर सेपरेटर सेटिंग: केस फैक्ट्स $\mathbb{R}^d$ में बिंदु हैं। निचली अदालत अधिकतम-मार्जिन लीनियर सेपरेटर खोजने के लिए एक सपोर्ट वेक्टर मशीन (SVM) का उपयोग करती है। हाइपोथीसिस क्लास लीनियर सेपरेटर्स का समूह है।

दोनों सेटिंग्स में, मुकदमेबाज $f^*$, $\mathcal{A}$, और लक्ष्य $g$ को जानता है। अध्ययन यह पता लगाता है कि क्या मुकदमेबाज एक विशिष्ट $g$ या उसका एक सन्निकटन (approximation) प्रेरित कर सकता है, और लाने के लिए मामलों का इष्टतम सेट क्या है। शोध पत्र में मिसाल पलटने (overturning precedent) के तंत्र को शामिल करने के लिए मॉडल का विस्तार किया गया है, जहाँ उच्च न्यायालय उन ऐतिहासिक डेटा बिंदुओं को हटा देता है जो उसके वर्तमान तर्क $f^*$ के साथ असंगत होते हैं जब कोई नया मामला एक विरोधाभास पैदा करता है।

प्रमुख परिणाम और योगदान

• विपरीत अंतर्ज्ञान वाली संरचनात्मक घटनाएँ (1D NN):

  • हारने वाले मामले एक रणनीति के रूप में: यदि वह निर्णय NN सीमा को $g$ के करीब ले जाता है, तो मुकदमेबाज के लिए ऐसा मामला लाना फायदेमंद हो सकता है जिसमें वह निश्चित रूप से हार जाएगा (जहाँ $f^*$ उसके विरुद्ध निर्णय देता है)।
  • अल्पदर्शिता उप-इष्टतम (Myopia is Suboptimal) है: लालची रणनीतियाँ (प्रत्येक चरण में सर्वश्रेष्ठ एकल मामले का चयन करना) या यहाँ तक कि 1-स्टेप लुकअहेड (सर्वश्रेष्ठ जोड़ी का चयन करना) भी अपरिवर्तनीय त्रुटियों का कारण बन सकते हैं या लक्ष्य प्राप्त करने में विफल हो सकते हैं, भले ही लक्ष्य सैद्धांतिक रूप से प्राप्त करने योग्य हो।
  • अल्पकालिक गिरावट: एक मुकदमेबाज को ऐसे मामले लाने की आवश्यकता हो सकती है जो $g$ को प्राप्त करने के लिए आवश्यक कदमों को सक्षम करने हेतु $f$ और $g$ के बीच के अंतर को अस्थायी रूप से बढ़ा देते हैं।
  • एल्गोरिद्मिक समाधान: लेखक 1D NN सेटिंग के लिए एक सीमित पूल $P$ से मामलों के एक उपसमुच्चय को $O(|P|^2)$ समय में इष्टतम रूप से चुनने के लिए एक डायनेमिक प्रोग्रामिंग एल्गोरिदम प्रदान करते हैं।

• $d$-आयामों में उपलब्धि (Achievability in $d$-Dimensions - SVM):

  • प्राप्य लक्ष्यों का लक्षण वर्णन: शोध पत्र यह लक्षण वर्णन करता है कि कौन से लक्ष्य फंक्शन $g$ को एक SVM द्वारा प्रेरित किया जा सकता है। एक फंक्शन $g$ तब प्राप्य है यदि:
    1. $g$ और $f^*$ के नॉर्मल वेक्टर्स के बीच का कोण $\theta$ इस प्रकार है कि $0 < \theta < 90^\circ$, $f^*$ और $g$ के असहमति क्षेत्र (disagreement region) में कोई ऐतिहासिक डेटा नहीं है, और $g$ की सीमा पर कोई बिंदु नहीं है; या
    2. $\theta = 0$ (समानांतर और समान दिशा), और $g$ के भीतर एक विशिष्ट दूरी $\delta$ के भीतर कोई ऐतिहासिक डेटा नहीं है।
  • दक्षता: यदि एक लक्ष्य $g$ प्राप्य है, तो इसे अधिकतम 2 मामलों (सपोर्ट वेक्टर्स) का उपयोग करके प्रेरित किया जा सकता है।
  • सन्निकटन (Approximation): यदि $g$ प्राप्य नहीं है, तो मुकदमेबाज $D$ के एक नमूने पर ब्रूट-फोर्स एन्यूमरेशन का उपयोग करके एक प्राप्य प्रॉक्सी $g'$ पा सकता है जो त्रुटि को न्यूनतम करता है, जिसमें प्रभावी क्लासिफायर्स की संख्या को सीमित करने के लिए सॉयर-शेलह लेम्मा (Sauer-Shelah Lemma) का लाभ उठाया जाता है।
  • सीमित पूल चयन: जब एक सीमित पूल $P$ तक सीमित हो, तो किसी भी प्राप्य फंक्शन को अधिकतम $d+1$ के आकार के उपसमुच्चय द्वारा प्रेरित किया जा सकता है। लेखक इन उपसमुच्चयों को सूचीबद्ध करने के लिए एक एल्गोरिदम प्रदान करते हैं।

• मिसाल पलटना (Overturning Precedent):

  • लेखक एक परिदृश्य का मॉडल करते हैं जहाँ उच्च न्यायालय असंगत ऐतिहासिक डेटा को हटा देता है जब एक नया मामला विरोधाभास पैदा करता है।
  • 1D NN सेटिंग में, यह सरल है: मुकदमेबाज बस विशिष्ट बिंदु को लेबल बदलने के लिए पुन: मुकदमेबाजी करता है।
  • $d$-आयामी SVM सेटिंग में, लेखक सिद्ध करते हैं कि यदि $g$ थ्योरम 4 के तहत बाधाओं के साथ प्राप्य है, तो यह संघर्षपूर्ण ऐतिहासिक डेटा के साथ भी प्राप्य रहता है, बशर्ते कि मुकदमेबाज अधिकतम $2d + 1$ बिंदु लाए। ये बिंदु सभी असंगत ऐतिहासिक बिंदुओं को हटाने के लिए मजबूर करने और साथ ही $g$ को सिखाने के लिए निर्मित किए जाते हैं।

महत्व और दावे

लेखक इस कार्य को मशीन लर्निंग थ्योरी का उपयोग करके रणनीतिक मुकदमेबाजी के अध्ययन में एक प्रारंभिक प्रयास के रूप में प्रस्तुत करते हैं। वे स्पष्ट रूप से कहते हैं कि उनका मॉडल "अत्यधिक शैलीबद्ध" है और इसका उद्देश्य अमेरिकी न्यायालय प्रणाली की पूरी जटिलता को पकड़ना नहीं है।

शोध पत्र तीन मुख्य क्षेत्रों में महत्व का दावा करता है:

1. सैद्धांतिक नवीनता: यह मशीन लर्निंग सेटिंग के भीतर रणनीतिक इम्पैक्ट लिटिगेशन के पहले अन्वेषण के रूप में है, जो कानूनी मिसाल की गतिशीलता को लर्निंग थ्योरी से जोड़ता है।
2. मौजूदा ML थ्योरी के साथ संबंध: यह कार्य टीचिंग डायमेंशन (जहाँ एक शिक्षक शिक्षार्थी को सिखाने के लिए उदाहरण चुनता है) और क्लीन-लेबल डेटा पॉइजनिंग (जहाँ एक हमलावर मॉडल को हेरफेर करने के लिए सही ढंग से लेबल किए गए डेटा को इंजेक्ट करता है) के बीच के संबंधों को जोड़ता है। हालाँकि, यह खुद को इस बात से अलग करता है कि यहाँ "शिक्षक" (मुकदमेबाज) "छात्र" (न्यायालय) के मौजूदा डेटा द्वारा बाधित है और "शिक्षक" सीधे डेटा को लेबल करने में असमर्थ है (लेबल $f^*$ से आते हैं)।
3. गतिशीलता में अंतर्दृष्टि: यह प्रदर्शित करके कि रणनीतिक केस चयन एक जटिल अनुकूलन समस्या है जिसे सरल ह्यूरिस्टिक्स द्वारा हल नहीं किया जा सकता है, यह शोध पत्र (जैसे कि हारने वाले मामलों की उपयोगिता या अल्पकालिक गिरावट की आवश्यकता जैसे विपरीत अंतर्ज्ञान) सुझाव देता है।

लेखक भविष्य की दिशाओं का सुझाव देते हुए समाप्त करते हैं, जैसे कि उच्च न्यायालय के फंक्शन में अनिश्चितता को मॉडल करना, शोर युक्त (noisy) निर्णयों को शामिल करना, या प्रतिस्पर्धी मुकदमेबाजों के साथ मल्टी-एजेंट सेटिंग्स का विश्लेषण करना, लेकिन वे इन समस्याओं को हल करने का दावा नहीं करते हैं।