Fugu-MT 論文翻訳(概要): Numerical Reasoning for Financial Reports

論文の概要: Numerical Reasoning for Financial Reports

arxiv url: http://arxiv.org/abs/2312.14870v1
Date: Fri, 22 Dec 2023 17:46:36 GMT
ステータス: 処理完了
システム内更新日: 2023-12-25 14:03:52.835080
Title: Numerical Reasoning for Financial Reports
Title（参考訳）: 財務報告の数値推論
Authors: Abhinav Arun and Ashish Dhiman and Mehul Soni and Yibei Hu
Abstract要約: ユーザからの財務報告に基づく質問から重要な指標と運用指標を抽出するために、微調整されたLarge Language Models(LLMs)を活用しました。我々は,数値推論と計算における競合精度である最終数値解のベースラインに匹敵する結果を得た。
参考スコア（独自算出の注目度）: 1.474723404975345
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Financial reports offer critical insights into a company's operations, yet their extensive length typically spanning 30 40 pages poses challenges for swift decision making in dynamic markets. To address this, we leveraged finetuned Large Language Models (LLMs) to distill key indicators and operational metrics from these reports basis questions from the user. We devised a method to locate critical data, and leverage the FinQA dataset to fine-tune both Llama-2 7B and T5 models for customized question answering. We achieved results comparable to baseline on the final numerical answer, a competitive accuracy in numerical reasoning and calculation.
Abstract（参考訳）: 財務報告は、会社の運用に関する重要な洞察を提供するが、一般的に3040ページに及ぶ広範な報告書は、ダイナミックマーケットにおける迅速な意思決定の課題を提起している。この問題に対処するために、我々は、これらのレポートに基づく質問から重要な指標と運用メトリクスを抽出するために、微調整されたLarge Language Models (LLMs)を活用しました。我々は、重要なデータを見つける方法を考案し、FinQAデータセットを利用してLlama-2 7BとT5モデルの両方を微調整し、質問応答をカスタマイズした。我々は,数値推論と計算における競合精度である最終数値解のベースラインに匹敵する結果を得た。

関連論文リスト

Quantifying Qualitative Insights: Leveraging LLMs to Market Predict [0.0]
本研究は、証券会社からの日々の報告を活用して高品質な文脈情報を作成することによる課題に対処する。レポートはテキストベースのキーファクタにセグメント化され、価格情報などの数値データと組み合わせてコンテキストセットを形成する。工芸的なプロンプトは重要な要素にスコアを割り当て、質的な洞察を定量的な結果に変換するように設計されている。
論文参考訳（メタデータ） (2024-11-13T07:45:40Z)
FinQAPT: Empowering Financial Decisions with End-to-End LLM-driven Question Answering Pipeline [4.493656695067719]
FinQAPTは、クエリに基づいて関連する財務報告の識別を合理化するエンドツーエンドパイプラインである。モジュールレベルでは、FinQAで最先端の精度を実現し、80.6%の精度を実現した。パイプラインレベルでは、財務報告から関連するコンテキストを抽出する上での課題により、パフォーマンスが低下することが観察された。
論文参考訳（メタデータ） (2024-10-17T18:34:43Z)
CatMemo at the FinLLM Challenge Task: Fine-Tuning Large Language Models using Data Fusion in Financial Applications [10.225210627594894]
IJCAI-2024 FinLLMの課題に対して,金融業務の3つの重要な領域におけるLLMの能力について検討した。金融分類、財務文書要約、単一株式取引について検討する。提案手法は,これらの多様なタスクを包括的かつ総合的に処理することを目的としており,LLMの多様かつ複雑な財務課題への対処能力の向上と意思決定能力の向上を図っている。
論文参考訳（メタデータ） (2024-07-02T05:04:13Z)
Are LLMs Capable of Data-based Statistical and Causal Reasoning? Benchmarking Advanced Quantitative Reasoning with Data [89.2410799619405]
実世界のデータを用いた統計的および因果推論において,大規模言語モデルの能力を評価するために,データベンチマークを用いた定量的推論を導入する。このベンチマークは、教科書、オンライン学習教材、学術論文のデータシートを伴う411の質問のデータセットで構成されている。データとテキストに対するモデルの量的推論能力を比較するために、ベンチマークを290のテキストのみの質問、すなわちQRTextで強化する。
論文参考訳（メタデータ） (2024-02-27T16:15:03Z)
FinLLMs: A Framework for Financial Reasoning Dataset Generation with Large Language Models [12.367548338910744]
FinLLMs は,大規模言語モデルを用いた共通財務式に基づく財務質問応答データを生成する手法である。本研究では、FinLLMsによって生成された合成データが、金融分野における大規模数値推論モデルの性能を効果的に向上することを示した。
論文参考訳（メタデータ） (2024-01-19T15:09:39Z)
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)
DISC-FinLLM: A Chinese Financial Large Language Model based on Multiple Experts Fine-tuning [74.99318727786337]
金融大規模言語モデル(LLM)を構築するための多言語エキスパートファインチューニングフレームワークを提案する。 DISC-FIN-SFTという金融インストラクションチューニングデータセットを構築し、4つのカテゴリ(コンサルト、NLPタスク、コンピューティング、検索強化ジェネレーション)のインストラクションサンプルを含む。複数のベンチマークで評価した結果, 様々な財務シナリオにおいて, ベースラインモデルよりも優れた性能を示した。
論文参考訳（メタデータ） (2023-10-23T11:33:41Z)
PIXIU: A Large Language Model, Instruction Data and Evaluation Benchmark for Finance [63.51545277822702]
PIXIUは、命令データ付き微調整LLaMAに基づく最初の金融大規模言語モデル(LLM)を含む包括的なフレームワークである。我々はLLaMAを細調整してFinMAを提案する。我々は、FinMAと既存のLLMを詳細に分析し、重要な財政課題に対処する際の長所と短所を明らかにする。
論文参考訳（メタデータ） (2023-06-08T14:20:29Z)
BloombergGPT: A Large Language Model for Finance [42.73350054822628]
我々は、幅広い財務データに基づいて訓練された500億のパラメータ言語モデルであるBloombergGPTを提示する。 Bloombergの広範囲なデータソースに基づいて,汎用データセットから345億のトークンを付加した,363億のトークンデータセットを構築しました。我々の混合データセットトレーニングは、財務タスクにおける既存のモデルをかなりのマージンで上回るモデルにつながります。
論文参考訳（メタデータ） (2023-03-30T17:30:36Z)
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)
Gaussian process imputation of multiple financial series [71.08576457371433]
金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
論文参考訳（メタデータ） (2020-02-11T19:18:18Z)

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。