論文の概要: Beyond Surface Similarity: Detecting Subtle Semantic Shifts in Financial Narratives

• arxiv url: http://arxiv.org/abs/2403.14341v1
• Date: Thu, 21 Mar 2024 12:17:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-22 14:28:30.318089
• Title: Beyond Surface Similarity: Detecting Subtle Semantic Shifts in Financial Narratives
• Title（参考訳）: 表面的類似性を超えて:金融ナラティブにおける部分意味的変化を検出する
• Authors: Jiaxin Liu, Yi Yang, Kar Yan Tam,
• Abstract要約: 本研究では,金融ドメイン固有のNLPタスクであるFinancial-STSタスクを紹介する。 これら2つの物語の微妙なセマンティックな違いを測定することで、市場のステークホルダーは、会社の財務状況や運用状況の変化を経時的に測定することができます。
• 参考スコア（独自算出の注目度）: 19.574432889355627
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we introduce the Financial-STS task, a financial domain-specific NLP task designed to measure the nuanced semantic similarity between pairs of financial narratives. These narratives originate from the financial statements of the same company but correspond to different periods, such as year-over-year comparisons. Measuring the subtle semantic differences between these paired narratives enables market stakeholders to gauge changes over time in the company's financial and operational situations, which is critical for financial decision-making. We find that existing pretrained embedding models and LLM embeddings fall short in discerning these subtle financial narrative shifts. To address this gap, we propose an LLM-augmented pipeline specifically designed for the Financial-STS task. Evaluation on a human-annotated dataset demonstrates that our proposed method outperforms existing methods trained on classic STS tasks and generic LLM embeddings.
• Abstract（参考訳）: 本稿では,金融分野固有のNLPタスクであるFinancial-STSタスクを紹介する。 これらの物語は、同じ会社の財務状況から生まれたものであるが、年次比較など、異なる期間に対応している。 これら2つの物語の微妙な意味的な違いを測ることで、市場の利害関係者は、会社の財務状況や運用状況の変化を経時的に測定することができる。 既存の事前学習された埋め込みモデルとLLM埋め込みは、これらの微妙な財務的な物語の変化を識別するのに不足していることがわかった。 このギャップに対処するために,金融STS タスク用に設計された LLM 拡張パイプラインを提案する。 提案手法は,従来のSTSタスクやジェネリックLSMの埋め込みにおいて,既存の手法よりも優れていることを示す。

関連論文リスト

• BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
  本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。 我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
  論文  参考訳（メタデータ） (2024-11-09T05:40:32Z)
• Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
  本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。 実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
  論文  参考訳（メタデータ） (2024-06-05T20:19:09Z)
• Prefix Text as a Yarn: Eliciting Non-English Alignment in Foundation Language Model [50.339632513018934]
  教師付き微調整(SFT)は、基礎大言語モデル(LLM)の出力を特定の嗜好に合わせるための単純なアプローチである。 我々はこの仮説を言語間タスクの範囲内で批判的に検証する。 タスク関連トークンを最小化するPreTTYという新しいトレーニングフリーアライメント手法を提案する。
  論文  参考訳（メタデータ） (2024-04-25T17:19:36Z)
• Multi-Task Learning for Features Extraction in Financial Annual Reports [6.442186704634672]
  我々は、財務テキスト分類に様々なマルチタスク学習手法を用いる。 我々は,金銭的感情,客観性,前向きな文予測,ESGコンテンツ検出に重点を置いている。 FTSE350企業の年次報告からテキストの特徴を抽出し,ESG定量スコアとそれらの特徴との関係について検討する。
  論文  参考訳（メタデータ） (2024-04-08T08:13:40Z)
• 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)
• Designing Heterogeneous LLM Agents for Financial Sentiment Analysis [0.8158530638728501]
  本研究では、金融感情分析(FSA)における大規模言語モデル(LLM)の有効性について検討する。 ミンスキーの心と感情の理論を取り入れたヘテロジニアスLSMエージェントを用いた設計枠組みが提案されている。 このフレームワークは、FSAのエラーの種類や、集約されたエージェントの議論の理由に関する事前のドメイン知識を使用して、特殊なエージェントをインスタンス化する。
  論文  参考訳（メタデータ） (2024-01-11T10:06:42Z)
• 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)
• Flexible categorization for auditing using formal concept analysis and Dempster-Shafer theory [55.878249096379804]
  我々は、異なる金融口座に対する異なる利息の程度に応じて分類する様々な方法を研究する。 本稿で開発したフレームワークは,説明可能な分類の獲得と研究のための公式な基盤を提供する。
  論文  参考訳（メタデータ） (2022-10-31T13:49:16Z)
• Stock Embeddings: Learning Distributed Representations for Financial Assets [11.67728795230542]
  本稿では,過去のリターンデータのダイナミクスを利用する,ストック埋め込みのトレーニングのためのニューラルモデルを提案する。 当社のアプローチを詳細に説明し、金融分野で使用可能ないくつかの方法について論じる。
  論文  参考訳（メタデータ） (2022-02-14T15:39:06Z)
• FinEAS: Financial Embedding Analysis of Sentiment [0.0]
  FinEAS(Financial Embedding Analysis of Sentiment)と呼ばれる新しい言語表現モデルを導入する。 本研究では,標準的なBERTモデルからの教師付き微調整文の埋め込みに基づく財務感情分析の新しいモデルを提案する。
  論文  参考訳（メタデータ） (2021-10-31T15:41:56Z)
• 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。

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。