論文の概要: Generative AI Enhanced Financial Risk Management Information Retrieval

• arxiv url: http://arxiv.org/abs/2504.06293v2
• Date: Thu, 10 Apr 2025 03:08:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-18 13:12:54.049604
• Title: Generative AI Enhanced Financial Risk Management Information Retrieval
• Title（参考訳）: 金融リスク管理情報検索のためのジェネレーティブAI
• Authors: Amin Haeri, Jonathan Vitrano, Mahdi Ghelichi,
• Abstract要約: RiskDataは、リスク管理に埋め込みモデルを微調整するためのデータセットである。 RiskEmbedは、財務質問応答システムにおける検索精度を向上させるために設計された微調整埋め込みモデルである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Risk management in finance involves recognizing, evaluating, and addressing financial risks to maintain stability and ensure regulatory compliance. Extracting relevant insights from extensive regulatory documents is a complex challenge requiring advanced retrieval and language models. This paper introduces RiskData, a dataset specifically curated for finetuning embedding models in risk management, and RiskEmbed, a finetuned embedding model designed to improve retrieval accuracy in financial question-answering systems. The dataset is derived from 94 regulatory guidelines published by the Office of the Superintendent of Financial Institutions (OSFI) from 1991 to 2024. We finetune a state-of-the-art sentence BERT embedding model to enhance domain-specific retrieval performance typically for Retrieval-Augmented Generation (RAG) systems. Experimental results demonstrate that RiskEmbed significantly outperforms general-purpose and financial embedding models, achieving substantial improvements in ranking metrics. By open-sourcing both the dataset and the model, we provide a valuable resource for financial institutions and researchers aiming to develop more accurate and efficient risk management AI solutions.
• Abstract（参考訳）: 金融のリスクマネジメントは、安定性の維持と規制の遵守を保証するための金融リスクを認識し、評価し、対処することを含む。 広範な規制文書から関連する洞察を抽出することは、高度な検索と言語モデルを必要とする複雑な課題である。 本稿では,リスク管理における埋め込みモデルを微調整するためのデータセットであるHassDataと,財務質問応答システムにおける検索精度の向上を目的とした細調整埋め込みモデルであるRessEmbedを紹介する。 このデータセットは、1991年から2024年まで金融機関監督局(OSFI)が発行した94の規制ガイドラインに由来する。 我々は、通常、検索-拡張生成(RAG)システムにおいて、ドメイン固有の検索性能を向上させるために、最先端の文BERT埋め込みモデルを微調整する。 実験結果から,リスクEmbedは汎用およびファイナンシャル埋め込みモデルよりも著しく優れており,ランキング指標の大幅な改善が達成されている。 データセットとモデルの両方をオープンソース化することにより、より正確で効率的なリスク管理AIソリューションの開発を目指す金融機関や研究者に貴重なリソースを提供する。

関連論文リスト

• FinDER: Financial Dataset for Question Answering and Evaluating Retrieval-Augmented Generation [63.55583665003167]
  ファイナンスにおけるRetrieval-Augmented Generation(RAG)に適したエキスパート生成データセットであるFinDERを提案する。 FinDERは、ドメインの専門家による検索関連証拠の注釈付けに重点を置いており、5,703のクエリ・エビデンス・アンサー・トリプルを提供している。 大きなコーパスから関連する情報を取得するためにモデルに挑戦することで、FinDERはRAGシステムを評価するためのより現実的なベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-04-22T11:30:13Z)
• AI for Climate Finance: Agentic Retrieval and Multi-Step Reasoning for Early Warning System Investments [1.3192560874022086]
  本研究は、気候リスク・早期警戒システム(CREWS)ファンドにおけるEWS投資の追跡という現実的な応用に焦点を当てる。 我々は25のMDBプロジェクト文書を分析し、ゼロショット学習や少数ショット学習を含む複数のAI駆動型分類手法を評価する。 以上の結果より, エージェントベースRAGアプローチは, 87%の精度, 89%の精度, 83%のリコールを達成し, 他の手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-04-07T14:11:11Z)
• Cross-Asset Risk Management: Integrating LLMs for Real-Time Monitoring of Equity, Fixed Income, and Currency Markets [30.815524322885754]
  大規模言語モデル(LLM)は金融分野において強力なツールとして登場した。 LLMを利用したクロス・アセット・リスク・マネジメント・フレームワークを導入し、株式・固定所得・通貨市場のリアルタイムモニタリングを容易にする。
  論文  参考訳（メタデータ） (2025-04-05T22:28:35Z)
• Model Risk Management for Generative AI In Financial Institutions [6.995717424201032]
  2023年のOpenAIのChatGPTの成功により、金融企業はジェネレーティブAIアプリケーションを探求するようになった。 本稿では,生成型AIモデルのモデルリスク管理における重要な側面について概説する。
  論文  参考訳（メタデータ） (2025-03-19T19:52:29Z)
• Towards Trustworthy Retrieval Augmented Generation for Large Language Models: A Survey [92.36487127683053]
  Retrieval-Augmented Generation (RAG)は、AIGC(AIGC)の課題に対処するために設計された高度な技術である。 RAGは信頼性と最新の外部知識を提供し、幻覚を減らし、幅広いタスクで関連するコンテキストを保証する。 RAGの成功と可能性にもかかわらず、最近の研究により、RAGパラダイムはプライバシーの懸念、敵対的攻撃、説明責任の問題など、新たなリスクももたらしていることが示されている。
  論文  参考訳（メタデータ） (2025-02-08T06:50:47Z)
• Leveraging Generative Adversarial Networks for Addressing Data Imbalance in Financial Market Supervision [5.864973298916232]
  本研究は,金融市場管理におけるジェネレーティブ・敵ネットワークの適用について検討する。 GANが生成したデータは、不均衡問題に対処し、モデルの予測精度を向上させる上で大きな利点がある。
  論文  参考訳（メタデータ） (2024-12-04T08:06:47Z)
• Predicting Liquidity Coverage Ratio with Gated Recurrent Units: A Deep Learning Model for Risk Management [5.864973298916232]
  本稿では、金融機関が流動性リスクをより効果的に管理できるように、ゲートリカレントユニット(GRU)ネットワークに基づく流動性カバレッジ比(LCR)予測モデルを提案する。 ディープラーニング技術におけるGRUネットワークを利用することで、モデルは過去のデータから複雑なパターンを自動的に学習し、将来しばらくの間LCRを正確に予測することができる。
  論文  参考訳（メタデータ） (2024-10-24T23:43:50Z)
• Trustworthiness in Retrieval-Augmented Generation Systems: A Survey [59.26328612791924]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の開発において、急速に重要なパラダイムへと成長してきた。 本稿では,RAGシステムの信頼性を,事実性,堅牢性,公正性,透明性,説明責任,プライバシの6つの面で評価する統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2024-09-16T09:06:44Z)
• EARBench: Towards Evaluating Physical Risk Awareness for Task Planning of Foundation Model-based Embodied AI Agents [53.717918131568936]
  EAI(Embodied AI)は、高度なAIモデルを現実世界のインタラクションのための物理的なエンティティに統合する。 高レベルのタスク計画のためのEAIエージェントの"脳"としてのファンデーションモデルは、有望な結果を示している。 しかし、これらのエージェントの物理的環境への展開は、重大な安全性上の課題を呈している。 本研究では,EAIシナリオにおける身体的リスクの自動評価のための新しいフレームワークEARBenchを紹介する。
  論文  参考訳（メタデータ） (2024-08-08T13:19:37Z)
• C-RAG: Certified Generation Risks for Retrieval-Augmented Language Models [57.10361282229501]
  RAGモデルの生成リスクを認証する最初のフレームワークであるC-RAGを提案する。 具体的には、RAGモデルに対して共形リスク分析を行い、生成リスクの上限以上の信頼度を認定する。 検索モデルと変圧器の品質が非自明な場合, RAG は単一の LLM よりも低い共形生成リスクを達成できることを示す。
  論文  参考訳（メタデータ） (2024-02-05T16:46:16Z)
• Explanations of Machine Learning predictions: a mandatory step for its application to Operational Processes [61.20223338508952]
  信用リスクモデリングは重要な役割を果たす。 近年,機械学習や深層学習の手法が採用されている。 この分野における説明可能性問題に LIME 手法を適用することを提案する。
  論文  参考訳（メタデータ） (2020-12-30T10:27:59Z)

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。