技術概要：LegalGraphRAG

1. 問題定義

法的領域における検索拡張生成（RAG）および GraphRAG の適用は、信頼性の高い法的推論を阻害する 2 つの決定的な課題に直面している：

1. 法知識の異質性と多粒度性：法コーパスには、歴史的判例、抽象的な法令条文、司法解釈など、多様なソースが含まれる。これらのソースは、事実の詳細、適用される規則、抽象的な原則など、異なる抽象化レベルで機能する。従来の平坦なグラフ構造や標準的な RAG システムは、これらの粒度を区別できず、抽象的な原則が必要とされる際に事実の詳細を誤って検索したり、その逆が起こったりする。これにより、表面的なキーワードの一致が論理的な関連性よりも優先される「意味的類似性の罠」が生じる。
2. 検証可能な証拠に基づく推論の欠如：標準的な RAG パイプラインは、取得したコンテキストを検証なしに直接大規模言語モデル（LLM）へ渡して生成を行う。法のような高リスク領域において、この「検索後生成」アプローチは、不透明な推論と「裏付けのない正しさ」をもたらす。つまり、モデルは正しい罪名を予測できても、それを正当化するために必要な特定の法令条文や証拠を検索できずに終わる場合がある。この透明性と検証の欠如は、システムを幻覚に陥らせやすく、司法判断には信頼性が低いものとする。

2. 手法：LegalGraphRAG

著者は、これらの課題に対処するために設計されたLegalGraphRAGを提案する。これは、階層的法グラフ（HierarGraph）とマルチエージェント証拠ベース推論システムという 2 つの中核コンポーネントを通じて課題を解決するフレームワークである。

2.1 階層的法グラフ（HierarGraph）

平坦なナレッジグラフの代わりに、LegalGraphRAG は異質な情報を分離するために、法知識を 3 つの明確な意味層に整理する：

• 事実グラフ（$G_{fac}$）：検証済みの法的判例の構造化された集合である。これは事件（$C$）、条文（$A$）、および**罪状（$O$）**を明示的にリンクさせる。エッジは引用関係（$C \to A$）と有罪判決の結果（$C \to O$）を表し、証拠収集に必要な事実的な粒度を提供する。
• オントロジーグラフ（$G_{ont}$）：事件の特徴を抽象化することで意味のギャップを橋渡しする。これは、非構造化の物語を、被告人属性、犯罪行為、被害者特性、主観的精神状態の 4 つの次元に基づいて精製された意味空間にマッピングする。$k$-近傍法（$k$-NN）と Leiden アルゴリズムを用いて、関連する事件を**コミュニティノード（$K$）**にグループ化し、広範な文脈から具体的な詳細へと階層的に検索することを可能にする。
• 規則グラフ（$G_{rul}$）：**条文（$A$）と司法解釈（$J$）をリンクさせることで法令の曖昧さを解決する。重要なのは、各条文ノードが診断チェックリスト（$D$）**を備えている点である。これは複雑な法的規則を特定の検証ステップ（例：被告人が「国家公務員」であるかどうかを確認する）に分解する。これにより、単純な意味的マッチングではなく、正確な論理的検証が可能となる。

2.2 マルチエージェント証拠ベース推論

このフレームワークは、HierarGraph を順次巡回する 3 つの専門エージェントを含む透明なパイプラインを採用する：

1. リサーチャー（証拠検索）：3 つの並列検索戦略を実行することで、生のカースクエリを関連する法的証拠に基づいたものにする：
   • 意味的マッチ検索：オントロジー整合の埋め込みを通じて直接的な証拠を見つける。
   • コミュニティ拡張検索：クエリによって特定されたトピックコミュニティ内の事件を検索する。
   • 罪状アンカー検索：推定された罪状に関連付けられた事件を収集することで法的根拠を固定する。
2. 監査人（証拠検証）：取得した条文の適用可能性を厳格に検証する。規則グラフからの診断チェックリストと司法解釈を用いて、事件の事実が特定の法的条件を満たすかどうかを評価する。適用不可能な条文とその関連ノードは剪定され、有効な証拠のみが進行することを保証する。
3. 審判官（証拠統合）：検証されたサブグラフ（確認された条文、事件、罪状）を統合し、最終的な判決を下す。出力には、使用された法令条文と司法解釈への明示的な引用が含まれ、すべての結論が検証済みの証拠に遡って追跡可能であることを保証する。

3. 主要な貢献

• フレームワークの提案：階層的ナレッジグラフをマルチエージェントシステムと統合し、法知識の異質性に対処して推論の信頼性を確保する、証拠ベースの法的推論フレームワークである LegalGraphRAG の導入。
• 階層的グラフ設計：オントロジー層、事実層、規則層の 3 層からなる法知識グラフの設計。これにより多粒度の法知識をモデル化し、歴史的判例、法令、解釈を効果的に分離して正確な検索を支援する。
• マルチエージェント検証パイプライン：段階的な検証を強制し、不透明な生成ではなく検証可能な証拠の連鎖に基づいて判断を下す、透明な推論パイプライン（リサーチャー - 監査人 - 審判官）の確立。
• 実証的検証：広範な実験により、LegalGraphRAG が法的判断ベンチマークにおいて最先端のパフォーマンスを達成し、既存の GraphRAG ベースラインおよび専門的な法 LLM を精度と信頼性の両面で凌駕することが示された。

4. 実験結果

このフレームワークは、2 つの大規模な中国法ベンチマーク、CAIL2018およびCMDLで評価された。

• 生成精度：LegalGraphRAG は、オープンソースモデル（Qwen, InternLM, GLM）、高度なモデル（GPT-4o-mini, DeepSeek-V3.1）、専門的な法的手法（DISC-LawLLM, ADAPT）を含むベースラインを一貫して凌駕した。罪名予測精度において、強力なベースラインに対して最大 19.1% の大幅な改善を達成した。
• 検索効果：階層的構造は、平坦な戦略と比較して検索パフォーマンスを大幅に向上させた（予備研究において 25.3%）。これにより、無関係な事実の詳細の検索が効果的に減少した。
• 信頼性と追跡可能性：重要な発見として、「追跡不能な正解」予測の減少があった。ベースラインは必要な支援条文を検索せずに正しい罪名を予測することが多かったが、LegalGraphRAG は「追跡可能な正解」サンプルの割合を大幅に増加させ、すべての判断が取得された証拠によって支持されることを保証した。
• アブレーション研究：階層的グラフを除去すると、最も急激なパフォーマンス低下（7.2%）が生じ、その必要性が確認された。同様に、監査人エージェントを除去すると精度が 3.4% 低下し、検証ステップの重要性が実証された。
• 効率性のトレードオフ：多段階の検証により、より単純な RAG 手法と比較してオンライン推論フェーズで遅延とトークンコストが高くなるが、オフラインインデックス化時間とトークン消費量は、いくつかの複雑な GraphRAG ベースライン（例：RAPTOR, HippoRAG2）よりも低かった。

5. 意義と主張

本論文は、LegalGraphRAG が法的分析における信頼性が高く信頼できる AI の新たな最先端を確立すると主張している。その主な意義は、法推論プロセスを「ブラックボックス」の生成タスクから、透明性のある証拠ベースのパイプラインへと変容させる点にある。厳格な検証を強制し、異質な知識を構造化することで、このフレームワークは、高リスク領域における説明可能性と信頼性の重要なニーズに対応する。

著者は、この研究を人間の裁判官の代替ではなく、法専門家の論理的推論と検索能力を強化する支援ツールとして位置づけている。彼らは、現在の一様態テキスト入力への限定という限界を認め、包括的な「スマート裁判所」システムを実現するための将来の研究課題として、多様態ノード（例：視覚的証拠）への拡張を有望な方向性として特定している。