설명 가능한 판결 변동성을 향하여: 게이트형 멀티태스크 학습(Gated Multi-Task Learning)을 통한 사법적 재량의 정량화

요약

사법적 재량을 정량화하기 위해 게이트형 멀티태스크 학습(Gated Multi-Task Learning) 아키텍처를 제안합니다. Gemma-4 26B-A4B를 기반으로 판사 정체성과 판결 맥락을 분리하여 모델링함으로써, 기존 SFT 방식보다 적은 파라미터로 SOTA 성능을 달성했습니다.

핵심 포인트

• 게이트형 멀티태스크 학습을 통한 사법적 재량의 명시적 모델링
• Gemma-4 백본 기반의 LoRA 결합으로 파라미터 효율성 10배 향상
• 모호하고 드문 결과 클래스에서 뛰어난 성능 향상 입증
• 판사 임베딩을 통한 판결 맥락의 해석 가능성 확보