Fugu-MT 論文翻訳(概要): Financial News Analytics Using Fine-Tuned Llama 2 GPT Model

論文の概要: Financial News Analytics Using Fine-Tuned Llama 2 GPT Model

arxiv url: http://arxiv.org/abs/2308.13032v2
Date: Mon, 11 Sep 2023 05:39:05 GMT
ステータス: 処理完了
システム内更新日: 2023-09-12 18:49:58.572932
Title: Financial News Analytics Using Fine-Tuned Llama 2 GPT Model
Title（参考訳）: 微調整Llama 2 GPTモデルを用いた財務情報分析
Authors: Bohdan M. Pavlyshenko
Abstract要約: 微調整のLlama 2モデルはマルチタスクの財務ニュース分析を行うことができる。名前付きエンティティの抽出された感情は、機械学習モデルにおける予測的特徴と見なすことができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The paper considers the possibility to fine-tune Llama 2 GPT large language model (LLM) for the multitask analysis of financial news. For fine-tuning, the PEFT/LoRA based approach was used. In the study, the model was fine-tuned for the following tasks: analysing a text from financial market perspectives, highlighting main points of a text, summarizing a text and extracting named entities with appropriate sentiments. The obtained results show that the fine-tuned Llama 2 model can perform a multitask financial news analysis with a specified structure of response, part of response can be a structured text and another part of data can have JSON format for further processing. Extracted sentiments for named entities can be considered as predictive features in supervised machine learning models with quantitative target variables.
Abstract（参考訳）: 本稿では,財務ニュースのマルチタスク解析におけるLlama 2 GPT大言語モデル(LLM)の微調整の可能性を検討する。微調整にはPEFT/LoRAベースのアプローチが用いられた。調査では、金融市場の観点からテキストを分析し、テキストの要点を強調し、テキストを要約し、適切な感情で名前付きエンティティを抽出する。その結果、微調整されたllama 2モデルは、特定の応答構造を持つマルチタスクファイナンシャルニュース分析を実行でき、応答の一部が構造化テキストとなり、データの一部がjsonフォーマットでさらなる処理が可能であることが判明した。名前付きエンティティの抽出された感情は、定量的なターゲット変数を持つ教師付き機械学習モデルにおける予測的特徴と見なすことができる。

関連論文リスト

LLM$\times$MapReduce: Simplified Long-Sequence Processing using Large Language Models [73.13933847198395]
本稿では,文書理解を包括的に行うための分割・対数戦略を利用して,長文処理のための学習自由フレームワークを提案する。提案された LLM$times$MapReduce フレームワークは、ドキュメント全体を LLM が読み取るためにいくつかのチャンクに分割し、中間回答を集約して最終的な出力を生成する。
論文参考訳（メタデータ） (2024-10-12T03:13:44Z)
Fine-tuning Smaller Language Models for Question Answering over Financial Documents [0.1747623282473278]
我々は、財務文書に対するマルチホップ数値推論を必要とする質問に答えることの課題に焦点をあてる。プログラムを生成するために微調整されたいくつかの小型モデルの性能を評価する。我々の経験的分析は、微調整が学生モデルに要求される財務概念を表現・適用する能力を洗練させることを示している。
論文参考訳（メタデータ） (2024-08-22T12:23:29Z)
On Pre-training of Multimodal Language Models Customized for Chart Understanding [83.99377088129282]
本稿では,MLLMのチャート理解を改善するために必要な学習過程について考察する。詳細なチャート理解に適したMLLMであるCHOPINLLMを紹介する。
論文参考訳（メタデータ） (2024-07-19T17:58:36Z)
Numerical Claim Detection in Finance: A New Financial Dataset, Weak-Supervision Model, and Market Analysis [4.575870619860645]
ファイナンシャルドメインにおけるクレーム検出タスクのための新たな財務データセットを構築した。本稿では,対象物の専門家(SME)の知識を集約関数に組み込んだ,新たな弱スーパービジョンモデルを提案する。ここでは、利益の急落と楽観的な指標への回帰の依存を観察する。
論文参考訳（メタデータ） (2024-02-18T22:55:26Z)
Large Language Model Adaptation for Financial Sentiment Analysis [2.0499240875882]
一般言語モデルは、金融に特化されたタスクでは不足する傾向にある。 1.5B未満のパラメータを持つ2つの基礎モデルは、幅広い戦略を用いて適応されている。小型LLMは大規模モデルに匹敵する性能を有しつつ,パラメータやデータの観点からも効率がよいことを示す。
論文参考訳（メタデータ） (2024-01-26T11:04:01Z)
FinDABench: Benchmarking Financial Data Analysis Ability of Large Language Models [26.99936434072108]
textttFinDABenchは、大規模言語モデルの財務データ分析能力を評価するために設計されたベンチマークである。 textttFinDABenchは、LLM能力の詳細な分析のための指標を提供することを目的としている。
論文参考訳（メタデータ） (2024-01-01T15:26:23Z)
Exploiting Contextual Target Attributes for Target Sentiment Classification [53.30511968323911]
TSCの既存のPTLMベースモデルは、1)PTLMをコンテキストエンコーダとして採用した微調整ベースモデル、2)テキスト/単語生成タスクに分類タスクを転送するプロンプトベースモデル、の2つのグループに分類される。我々は,PTLM を TSC に活用する新たな視点として,言語モデリングと文脈的ターゲット属性による明示的ターゲットコンテキスト相互作用の利点を同時に活用する。
論文参考訳（メタデータ） (2023-12-21T11:45:28Z)
Text2Analysis: A Benchmark of Table Question Answering with Advanced Data Analysis and Unclear Queries [67.0083902913112]
高度な解析タスクを取り入れたText2Analysisベンチマークを開発した。また,5つのイノベーティブかつ効果的なアノテーション手法を開発した。 3つの異なる指標を用いて5つの最先端モデルを評価する。
論文参考訳（メタデータ） (2023-12-21T08:50:41Z)
One-Shot Open Affordance Learning with Foundation Models [54.15857111929812]
私たちは、モデルがベースオブジェクトカテゴリ毎に1つの例でトレーニングされる、ワンショットのオープンアフォーダンスラーニング(OOAL)を紹介します。本稿では,視覚的特徴と手頃なテキスト埋め込みとの整合性を高める,シンプルで効果的な設計の視覚言語フレームワークを提案する。 2つのアベイランスセグメンテーションのベンチマーク実験により、提案手法はトレーニングデータの1%未満で最先端のモデルより優れていることが示された。
論文参考訳（メタデータ） (2023-11-29T16:23:06Z)
Analysis of Disinformation and Fake News Detection Using Fine-Tuned Large Language Model [0.0]
微調整のLlama 2モデルは、テキストの深い分析を行い、複雑なスタイルや物語を明らかにすることができる。名前付きエンティティの抽出された感情は、教師付き機械学習モデルにおける予測的特徴と見なすことができる。
論文参考訳（メタデータ） (2023-09-09T07:10:19Z)
AnnoLLM: Making Large Language Models to Be Better Crowdsourced Annotators [98.11286353828525]
GPT-3.5シリーズのモデルは、様々なNLPタスクにまたがる顕著な少数ショットとゼロショットの能力を示している。本稿では,2段階のアプローチを取り入れたAnnoLLMを提案する。我々はAnnoLLMを用いた対話型情報検索データセットを構築した。
論文参考訳（メタデータ） (2023-03-29T17:03:21Z)

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。