An Ontology-Guided Multi-Anchor Graph Retrieval Framework for Traffic Legal Liability Determination

技術要約：交通法規の責任判定に向けた、オントロジー誘導型マルチアンカー・グラフ検索

問題提起
交通法規における責任判定は、事故現場、違反類型、責任当事者、および責任配分ルールといった複数の次元にわたる相互依存的な法的条文を同時に特定する必要がある、複雑な法的プロセスである。既存の検索拡張生成（RAG）アプローチは、「多次元検索のボトルネック」に直面している。標準的な密ベクトル検索は、多面的な法的クエリを単一のベクトルに圧縮するため、支配的な意味的次元（例：特定の違反内容）が他の法的に関連のある次元を押しつぶしてしまう。同様に、単一の開始エンティティからグラフを探索する知識グラフベースのシステムは、初期の抽出段階で主要なエンティティを見落とした場合、他のオントロジー次元にアンカーされた条文を検索できないことが多い。その結果、これらの単一軸アーキテクチャによって生成される回答は、有効な責任判定に必要な一連の適用条文を十分に捉えきれず、法的に不完全なものとなる。

手法：OMAGR および TrafficOmni-RAG
このボトルネックに対処するため、著者らは OMAGR（Ontology-Guided Multi-Anchor Graph Retrieval：オントロジー誘導型マルチアンカー・グラフ検索）を提案している。これは、エンドツーエンドの法的QAシステムである TrafficOmni-RAG の中核となる検索エンジンとして実装されている。本手法は以下のステージを通じて動作する。

1. 法的オントロジーおよび知識グラフの構築：
   本システムは、6つの中国の交通法規（道路交通安全法および司法解釈を含む）から導出された6次元の法的オントロジー（$O = \{D_1, ..., D_6\}$）に基づいている。次元は以下の通りである：

   • 検索アンカー： 事故現場（$D_1$）、違反類型（$D_2$）、責任当事者（$D_3$）、および責任区分（$D_4$）。
   • 結果次元： 法的結果（$D_5$）および損害形態（$D_6$）。
     Neo4j知識グラフ（$G$）は、527の条文を含むように構築されている。条文はノードであり、オントロジー上の関連性、条文間の相互参照、および法的階層を表す型付きエッジによって接続されている。

2. 並列マルチアンカー検索：
   単一パスの探索とは異なり、OMAGRはユーザーのクエリをオントロジーに整合した構造化された法的アンカーへと分解する。システムは、4つのアンカー次元（$D_1$–$D_4$）に対して並列グラフ検索を同時に実行する。これにより、すべての法的に関連する次元に対して独立した検索経路が確保され、支配的な意味信号が他の重要な次元を抑制することを防ぐ。

3. 支援メカニズム：

   • クエリ拡張： 各アンカーの経路内における語彙的およびトピック的な再現率（Recall）を向上させるために、言い換えられた定式化を生成する。
   • 2ホップ関係拡張： 上位の違反結果から条文間の相互参照エッジを辿ることで、主要なオントロジーエッジからは直接到達できない、共適用される条文（例：手続きに関する条文に紐付いた罰則）を回収する。
   • 密ベクトル検索： グラフの結合性が弱い条文に対するセマンティックなフォールバックを提供する。
   • 融合と精緻化： 検索されたすべての集合は、相互ランク融合（RRF）を用いて統合される。その後、クロスエンコーダー・リランカーが上位8つの条文を選択し、続いて近接する重複を除去するための最大マキシマル・マージナリティ・リレバンス（MMR）およびトークン割り当てを最適化するための階層的コンテキスト・プルーニングが適用される。

4. 生成：
   精緻化された条文セットは、生成器LLM（GLM-4-Flash）のコンテキストとして機能する。システムは引用に基づいた生成を採用しており、モデルに対して、証拠として条文のフレーズをそのまま埋め込むよう指示するとともに、ハルシネーションを最小限に抑えるため、検索されたセット外の引用を禁止している。

主な貢献

1. OMAGRフレームワーク： 法的ドメインにおける多次元検索のボトルネックを解決するために特別に設計された、並列マルチアンカー・グラフ検索アーキテクチャの提案。
2. TrafficLaw-QAベンチマーク： 200の質問と527の法的条文を含む、専門家によって検証された新しいベンチマークデータセットの導入。このデータセットは、ダブルブラインド・プロトコル（Cohen's $\kappa = 0.82$）の下でアノテーションされており、相互依存する次元間で複数の条文への根拠付けを必要とするシナリオを明確にターゲットとしている。
3. 実証的検証： 実験およびアブレーション研究を通じて、提案システムがベースラインと比較してコンテキスト精度（Context Precision）と忠実度（Faithfulness）を大幅に向上させることを実証した。

実験結果
RAGASメトリクスを用いたTrafficLaw-QAデータセットによる評価において、TrafficOmni-RAGは以下の3つのベースラインを上回った：Naive RAG（密ベクトルのみ）、TrafficRAG（BM25と密ベクトルのハイブリッド）、およびLlamaIndex KG（単一エンティティ・グラフ探索）。

• コンテキスト精度（Context Precision）： TrafficOmni-RAGは最高スコア（0.915）を達成し、LlamaIndex KG（0.722）を大幅に上回った。著者らは、これをマルチアンカー設計が、単一のエンティティに集約されるのではなく、すべての関連する次元から条文を検索できるためであるとしている。
• 忠実度（Faithfulness）： 本システムは0.787を達成し、Naive RAG（0.625）およびLlamaIndex KG（0.751）を上回った。
• アブレーション研究： マルチアンカー構成を削除（単一アンカー検索へ回帰）すると、パフォーマンスの最大の低下（コンテキスト精度が0.915から0.862へ低下）が見られた。これにより、並列検索構造が成功の主要な要因であることが確認された。
• トレードオフ： TrafficRAGは、BM25によるキーワードマッチングにより、わずかに高いコンテキスト再現率（0.896 vs 0.885）を達成したが、TrafficOmni-RAGは精度を優先した。著者らは、法的QAにおいては、無関係なコンテキストによるハルシネーションのリスクを低減するために、精度を優先することが機能的に優れていると主張している。

意義と主張
本論文は、並列マルチアンカー検索が、交通法規の責任判定に固有の多次元検索のボトルネックを効果的に解決することを主張している。すべての法的に関連する次元に対して、融合前に独立した証拠を収集することを保証することで、本フレームワークは、単一軸のアーキテクチャでは相互依存的な条文の性質を捉えきれない法的研究において、有望な方向性を提示している。著者らは、TrafficOmni-RAGを単なる検索指標の改善としてではなく、一つの事故が複数の法的カテゴリーにわたる条文を同時に起動させるという、法的推論の複雑さを扱うための不可欠な構造的転換として位置づけている。

限界
著者らはいくつかの限界を認めている。アンカー抽出の品質はLLMによるパース工程に依存しており（ブラインド評価におけるF1スコアは64.3%と観察された）、システムは固定された2ホップ拡張半径を使用しているため、より深い依存関係の連鎖を見逃す可能性があること、そして現在の実装は中国の交通法に限定されており、クロス・ジュリスディクション（管轄区域間）での汎用性についてはさらなる評価が必要であることである。