arXiv cs.AI· Jiseong Chung, Ronny Ko, Won-Yong Shin, Wonchul Yoo, Tae-Wan Kim·· 2 天前AI 评分24
GraphCompliance：通过策略-上下文图对齐实现结构感知的合规审查
GraphCompliance: Structure-Aware Regulatory Compliance through Policy-Context Graph Alignment
AI 导读
GraphCompliance 是一个结构感知的合规审查框架，将监管文档表示为 schema 引导的 Policy Graph、上下文信息表示为实体-关系三元组的 Context Graph，并通过 Compliance Gate 对齐两图以识别相关监管要求并对照上下文证据评估。
正文 · AI 翻译
摘要：监管合规是许多工业与行政场景中的一项重要要求。然而，合规评估仍然困难，因为监管要求分散在结构化文档中，并且可能依赖于层级结构、定义、条件和交叉引用，而与某一特定要求相关的证据可能嵌入在被评估情境中多个相互作用的参与者、事件、对象和条件之中。我们提出 GraphCompliance，一个结构感知框架，它将监管文档表示为模式引导的策略图（Policy Graph），并将上下文信息表示为实体-关系三元组的上下文图（Context Graph）。GraphCompliance 通过合规门（Compliance Gate）对齐这两个图，该门识别相关的监管要求，并对照相应的上下文证据对其进行评估。这种设计使监管结构显式化，同时将上下文事实组织为可比较的形式，有助于保留结构依赖关系并减少不同监管场景中的术语不匹配。在 EU2UK、GDPR-13 和 CONTRACT 上的评估分别得到马修斯相关系数（MCC）0.802、0.682 和 0.793。这些数值在所有三个数据集上均高于最强对比方法。消融结果进一步表明，GraphCompliance 的关键组件对其整体性能有所贡献。这些结果支持结构化策略-上下文对齐在异构监管场景中用于合规相关预测的效用。GraphCompliance 的源代码可在 此 https URL 获取。
| Comments: | 我们感谢 Makoto Onizuka 和 Sungmok Kim 对 v1 的贡献。本版本大幅重构了研究问题、假设和概念框架，并修订了方法与评估。在重新评估本版本的贡献后，经所有 v1 作者（包括不再列出的作者）书面同意，作者署名进行了修订。提交至 IEEE Access |
| Subjects: | 人工智能（cs.AI）；信息检索（cs.IR） |
| ACM classes: | I.2.7 |
| Cite as: | arXiv:2510.26309 [cs.AI] |
| （或 arXiv:2510.26309v2 [cs.AI] 用于本版本） | |
| https://doi.org/10.48550/arXiv.2510.26309 arXiv 颁发的 DOI，经由 DataCite |
Submission history
来自：Jiseong Chung 先生 [查看电子邮件]
[v1]
2025年10月30日星期四 09:53:16 UTC（3,519 KB）
[v2]
2026年10月8日星期四 19:50:38 UTC（2,536 KB）
来源：arXiv cs.AI · arxiv.org