A Machine Learning Theory Perspective on Strategic Litigation

問題定義
本論文は、機械学習理論の観点から戦略的訴訟（ストラテジック・リティゲーション、またはインパクト・リティゲーションとも呼ばれる）を調査している。コモン・ロー（英米法）制度においては、下級審は上級審が示した先例に拘束される。著者らはこのダイナミクスを学習問題としてモデル化している。すなわち、下級審は上級審の過去の判決から決定ルール（分類器）を学習する。戦略的訴訟家は、単一のケースで勝つことだけでなく、下級審が利用可能な先例の集合を操作することによって、将来の法的結果に影響を与えることを目指す。

核心となる問題は次のように定義される：固定されたラベル関数 $f^*$ を持つ上級審、決定論的な学習アルゴリズム $\mathcal{A}$ を用いる下級審、および目標関数 $g$（将来のケースに対する望ましい決定ルールを表す）を持つ戦略的訴訟家が与えられたとき、訴訟家は上級審に提示すべきケースの事実パターン集合 $S_l$ を選択しなければならない。上級審はこれらのケースを $f^*$ に従ってラベル付けし、下級審は既存の歴史的先例 $S_h$ を用いて、学習関数を $f \leftarrow \mathcal{A}(S_h \cup S_l)$ と更新する。訴訟家の目的は、将来のケースの分布 $D$ における、学習された関数 $f$ と目標関数 $g$ との間の期待分類誤差を最小化することである。

手法とモデル
著者らは、高度に様式化され抽象化された二層の裁判制度（上級審と下級審）のモデルを提案し、以下の2つの具体的な設定の下で分析を行っている。

1. 1次元最近傍法（Nearest Neighbor）設定： ケースの事実は $\mathbb{R}$ 上の点である。下級審は**最近傍（NN）**分類器を使用する。仮説クラスは、有限の交互変化を持つブール関数で構成される。
2. $d$ 次元線形分離可能設定： ケースの事実は $\mathbb{R}^d$ 上の点である。下級審は、最大マージン線形分離面を見つけるために**サポートベクターマシン（SVM）**を使用する。仮説クラスは線形分離面で構成される。

両方の設定において、訴訟家は $f^*$、$\mathcal{A}$、および目標 $g$ を知っている。本研究は、訴訟家が特定の $g$ またはその近似を誘導できるかどうか、そして提示すべき最適なケースの集合は何かを探求するものである。また、新しいケースが仮説クラスにおいて矛盾を引き起こした際、上級審が現在の推論 $f^*$ と矛盾する歴史的なデータポイントを除去するという、**先例の覆し（overturning precedent）**のメカニズムを含むようにモデルを拡張している。

主な結果と貢献

• 直感に反する構造的現象（1D NN）：

  • 敗訴ケースの戦略的利用： 訴訟家にとって、自身が確実に負けるケース（$f^*$ が反対の判断を下すケース）であっても、その判決によってNNの境界が $g$ に近づくのであれば、それを持っていくことが有益となり得る。
  • 近視眼的戦略の非最適性： グリーディな戦略（各ステップで単一の最善のケースを選択する）や、さらには1ステップ先読み（最善のペアを選択する）であっても、不可逆的なエラーを招いたり、目標達成に失敗したりすることがある。これは、目標が理論的に達成可能である場合でも同様である。
  • 短期的な悪化： 訴訟家は、最終的に $g$ を達成するための一連の動きを可能にするために、一時的に $f$ と $g$ の不一致を増大させるケースを持ってくる必要がある場合がある。
  • アルゴリズムによる解法： 著者らは、有限のプール $P$ から部分集合を最適に選択するための動的計画法アルゴリズムを、1D NN設定において $O(|P|^2)$ の時間で提供する。

• $d$ 次元における達成可能性（SVM）：

  • 達成可能な目標の特性付け： 本論文は、SVMによって誘導可能な目標関数 $g$ がどのようなものであるかを正確に特徴付けている。関数 $g$ が達成可能であるための条件は以下の通りである：
    1. $g$ と $f^*$ の法線ベクトル間の角度 $\theta$ が $0 < \theta < 90^\circ$ であり、$f^*$ と $g$ の不一致領域に歴史的データが存在せず、かつ $g$ の境界上に点が存在しない場合。あるいは、
    2. $\theta = 0$（平行かつ同じ方向）であり、特定の距離 $\delta$ 以内に歴史的データが存在しない場合。
  • 効率性： もし $g$ が達成可能であれば、最大2つのケース（サポートベクター）を用いて誘導できる。
  • 近似： $g$ が達成不可能である場合、訴訟家は $D$ からのサンプルを用いた総当たり的な列挙を利用し、Sauer-Shelah Lemmaを用いて有効な分類器の数を制限することで、誤差を最小化する達成可能なプロキシ $g'$ を見つけることができる。
  • 有限プールからの選択： 有限のプール $P$ に制限されている場合、達成可能な関数は最大 $d+1$ 個のサイズを持つ部分集合によって誘導できる。著者らは、これらの部分集合を列挙するアルゴックリズムを提供している。

• 先例の覆し：

  • 著者らは、新しいケースが矛盾を生じさせたときに、上級審が矛盾する歴史的データを削除するというシナリオをモデル化している。
  • 1D NN設定では、これは自明である。訴訟家は単に特定のポイントを再訴訟することで、そのラベルを反転させればよい。
  • $d$ 次元SVM設定において、著者らは、もし $g$ が定理4の制約下で達成可能であれば、たとえ矛盾する歴史的データが存在しても、訴訟家が最大 $2d + 1$ 個の点を持ってくる限り、それは達成可能であることを証明している。これらの点は、すべての不一致な歴史的ポイントの削除を強制すると同時に、$g$ を教えるように構成される。

意義と主張
著者らは、本研究を機械学習理論を用いた戦略的訴訟の研究における初期の試みとして位置づけている。彼らは、自身のモデルが「高度に様式化された」ものであり、米国裁判制度の全容を捉えることを目的としたものではないことを明示している。

本論文は、主に以下の3つの領域において意義があると主張している。

1. 理論的新規性： 戦略的インパクト・リティゲーションを機械学習の設定内で調査した最初の試みであり、法的先例のダイナミクスと学習理論を結びつけている。
2. 既存のML理論との関連性： 本研究は、ティーチング次元（teaching dimension）（教師が学習者に例を選択して教えるもの）と、クリーンラベル・データ・ポイズニング（clean-label data poisoning）（攻撃者がモデルを操作するために正しくラベル付けされたデータを注入するもの）の概念を橋渡ししている。しかし、本研究は、「教師（訴訟家）」が「生徒（裁判所）」の既存のデータによって制約を受けており、かつ「教師」がデータを直接ラベル付けできない（ラベルは $f^*$ から来る）という点でこれらと区別される。
3. ダイナミクスへの洞察： 敗訴ケースの有用性や短期的な劣化の必要性といった直感に反する現象を示すことで、本論文は、戦略的なケース選択が単純なヒューリスティックでは解決できない複雑な最適化問題であることを示唆している。

著者らは結論として、上級審の関数の不確実性のモデリング、ノイズを含む決定の組み込み、あるいは競合する訴訟家が存在するマルチエージェント設定の分析など、将来の方向性を提示しているが、これらの問題を解決したと主張しているわけではない。