論文の概要: WeaverBird: Empowering Financial Decision-Making with Large Language Model, Knowledge Base, and Search Engine

• arxiv url: http://arxiv.org/abs/2308.05361v3
• Date: Sat, 2 Dec 2023 12:24:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-05 22:46:21.169472
• Title: WeaverBird: Empowering Financial Decision-Making with Large Language Model, Knowledge Base, and Search Engine
• Title（参考訳）: WeaverBird: 大規模言語モデル,知識ベース,検索エンジンによる財務意思決定の強化
• Authors: Siqiao Xue, Fan Zhou, Yi Xu, Ming Jin, Qingsong Wen, Hongyan Hao, Qingyang Dai, Caigao Jiang, Hongyu Zhao, Shuo Xie, Jianshan He, James Zhang, Hongyuan Mei
• Abstract要約: WeaverBirdは金融分野向けに設計されたインテリジェントな対話システムである。 本システムは,金融関連テキストの広範なコーパスを用いて調整されたGPTアーキテクチャの大規模言語モデルを利用する。
• 参考スコア（独自算出の注目度）: 36.125109600552925
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present WeaverBird, an intelligent dialogue system designed specifically for the finance domain. Our system harnesses a large language model of GPT architecture that has been tuned using extensive corpora of finance-related text. As a result, our system possesses the capability to understand complex financial queries, such as "How should I manage my investments during inflation?", and provide informed responses. Furthermore, our system incorporates a local knowledge base and a search engine to retrieve relevant information. The final responses are conditioned on the search results and include proper citations to the sources, thus enjoying an enhanced credibility. Through a range of finance-related questions, we have demonstrated the superior performance of our system compared to other models. To experience our system firsthand, users can interact with our live demo at https://weaverbird.ttic.edu, as well as watch our 2-min video illustration at https://www.youtube.com/watch?v=fyV2qQkX6Tc.
• Abstract（参考訳）: 本稿では,金融分野に特化したインテリジェント対話システムweaverbirdを提案する。 本システムでは,金融関連テキストを多用したgptアーキテクチャの大規模言語モデルを採用している。 その結果,我々のシステムは,「インフレーション時に投資をどのように管理すべきか」といった複雑な金融クエリを理解し,インフォームド・レスポンスを提供する能力を持っている。 さらに,本システムは,地域知識ベースと検索エンジンを組み込んで関連情報を検索する。 最終応答は検索結果に条件付けされ、ソースへの適切な引用が含まれ、信頼性が向上する。 金融関連の様々な質問を通じて,我々は他のモデルと比較して,システムの優れた性能を実証した。 私たちのシステムを実際に体験するために、ユーザはhttps://weaverbird.ttic.eduで私たちのライブデモと対話できる。 v=fyV2qQkX6Tc。

関連論文リスト

• FAMMA: A Benchmark for Financial Domain Multilingual Multimodal Question Answering [22.245216871611678]
  FAMMAは、金融マルチ言語によるマルチモーダル質問応答のためのオープンソースのベンチマークである。 大学教科書と試験から精巧に収集された質問応答ペアは1,758個ある。 ベンチマークの結果から,FAMMAがこれらのモデルにとって重要な課題であることが明らかとなった。
  論文  参考訳（メタデータ） (2024-10-06T15:41:26Z)
• Financial Knowledge Large Language Model [4.599537455808687]
  大規模言語モデル(LLM)の財務知識を評価するための評価ベンチマークであるIDEA-FinBenchを紹介する。 金融分野への一般LLMの迅速な適応を容易にするためのフレームワークであるIDEA-FinKERを提案する。 最後に LLM を利用した財務質問応答システム IDEA-FinQA を提案する。
  論文  参考訳（メタデータ） (2024-06-29T08:26:49Z)
• Detection of financial opportunities in micro-blogging data with a stacked classification system [6.817247544942709]
  ツイートの肯定的な予測を検知する新しいシステムを提案する。 具体的には、金融業者にかなりの量のツイートを提示するために、高い検出精度を求める。 3層積み重ね機械学習の分類システムで実現した。
  論文  参考訳（メタデータ） (2024-03-29T12:23:44Z)
• GPT-3 Models are Few-Shot Financial Reasoners [1.0742675209112622]
  金融分野において、事前訓練された言語モデルがどの程度理にかなっているかは分かっていない。 我々は、GPT-3でいくつかの実験を行い、別個の検索モデルと論理エンジンが重要なコンポーネントであり続けていることを発見した。 これにより, GPT-3 に対する改良されたプロンプトエンジニアリング手法は, 微調整を伴わずにSOTA 付近の精度を達成できる。
  論文  参考訳（メタデータ） (2023-07-25T16:21:07Z)
• Can LLMs be Good Financial Advisors?: An Initial Study in Personal Decision Making for Optimized Outcomes [6.399933453386851]
  大規模言語モデル(LLM)ベースのチャットボットは、意思決定の質に革命をもたらす可能性を秘めている。 金融包摂が銀行の目指す大局的な目的である個人金融分野において、このようなシステムがどう機能するかを考察する。 チャットボットのアウトプットは流動的で信頼性が高いが、正確で信頼性の高い財務情報の提供には依然として重大なギャップがある。
  論文  参考訳（メタデータ） (2023-07-08T17:21:55Z)
• Search-Engine-augmented Dialogue Response Generation with Cheaply Supervised Query Production [98.98161995555485]
  応答生成のために,任意の検索エンジンから膨大な動的情報にアクセス可能な対話モデルを提案する。 コアモジュールとして、クエリプロデューサを使用して、対話コンテキストからクエリを生成して、検索エンジンと対話する。 R@1とR@5のレートを62.4%と74.8%で達成できることを示す実験を行った。
  論文  参考訳（メタデータ） (2023-02-16T01:58:10Z)
• GreaseLM: Graph REASoning Enhanced Language Models for Question Answering [159.9645181522436]
  GreaseLMは、事前訓練されたLMとグラフニューラルネットワークの符号化された表現を、複数の層にわたるモダリティ相互作用操作で融合する新しいモデルである。 GreaseLMは、状況制約と構造化知識の両方の推論を必要とする問題に、より確実に答えることができる。
  論文  参考訳（メタデータ） (2022-01-21T19:00:05Z)
• FinQA: A Dataset of Numerical Reasoning over Financial Data [52.7249610894623]
  我々は、大量の財務文書の分析を自動化することを目的として、財務データに関する深い質問に答えることに重点を置いている。 我々は,金融専門家が作成した財務報告に対して質問回答のペアを用いた,新たな大規模データセットFinQAを提案する。 その結果、人気があり、大規模で、事前訓練されたモデルは、金融知識を得るための専門的な人間には程遠いことが示される。
  論文  参考訳（メタデータ） (2021-09-01T00:08:14Z)
• Contextualized Knowledge-aware Attentive Neural Network: Enhancing Answer Selection with Knowledge [77.77684299758494]
  ナレッジグラフ(KG)による外部知識による回答選択モデル向上のアプローチを幅広く検討しています。 まず、KGの外部知識とテキスト情報との密接な相互作用を考慮し、QA文表現を学習するコンテキスト知識相互作用学習フレームワークであるナレッジアウェアニューラルネットワーク(KNN)を紹介します。 KG情報の多様性と複雑性に対処するために, カスタマイズされたグラフ畳み込みネットワーク (GCN) を介して構造情報を用いた知識表現学習を改善し, コンテキストベースおよび知識ベースの文表現を総合的に学習する コンテキスト型知識認識型アテンシブニューラルネットワーク (CKANN) を提案する。
  論文  参考訳（メタデータ） (2021-04-12T05:52:20Z)
• KRISP: Integrating Implicit and Symbolic Knowledge for Open-Domain Knowledge-Based VQA [107.7091094498848]
  VQAの最も難しい質問の1つは、質問に答えるために画像に存在しない外部の知識を必要とする場合です。 本研究では,解答に必要な知識が与えられたり記入されたりしないオープンドメイン知識を,トレーニング時やテスト時にも検討する。 知識表現と推論には2つのタイプがあります。 まず、トランスベースのモデルで教師なし言語事前トレーニングと教師付きトレーニングデータから効果的に学ぶことができる暗黙的な知識。
  論文  参考訳（メタデータ） (2020-12-20T20:13:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。