論文の概要: Enabling Equitable Access to Trustworthy Financial Reasoning

• arxiv url: http://arxiv.org/abs/2508.21051v1
• Date: Thu, 28 Aug 2025 17:55:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.549617
• Title: Enabling Equitable Access to Trustworthy Financial Reasoning
• Title（参考訳）: 信用に値する金融推論への公平なアクセスの実現
• Authors: William Jurayj, Nils Holzenberger, Benjamin Van Durme,
• Abstract要約: 税の申告には複雑な推論が必要であり、重複ルールの適用と数値計算を組み合わせる必要がある。 そこで我々は,LLMを象徴的解決器と統合して納税義務を計算する手法を提案する。 本稿では, 形式論理プログラムの事前翻訳と, 形式論理表現の知的検索例を組み合わせることで, 性能が劇的に向上することを示す。
• 参考スコア（独自算出の注目度）: 50.73061215297832
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: According to the United States Internal Revenue Service, ''the average American spends $\$270$ and 13 hours filing their taxes''. Even beyond the U.S., tax filing requires complex reasoning, combining application of overlapping rules with numerical calculations. Because errors can incur costly penalties, any automated system must deliver high accuracy and auditability, making modern large language models (LLMs) poorly suited for this task. We propose an approach that integrates LLMs with a symbolic solver to calculate tax obligations. We evaluate variants of this system on the challenging StAtutory Reasoning Assessment (SARA) dataset, and include a novel method for estimating the cost of deploying such a system based on real-world penalties for tax errors. We further show how combining up-front translation of plain-text rules into formal logic programs, combined with intelligently retrieved exemplars for formal case representations, can dramatically improve performance on this task and reduce costs to well below real-world averages. Our results demonstrate the promise and economic feasibility of neuro-symbolic architectures for increasing equitable access to reliable tax assistance.
• Abstract（参考訳）: アメリカ合衆国内国歳入庁によると、「平均的なアメリカ人は270ドルと13時間で税金を申告する」。 アメリカ以外でも、税の申告には複雑な推論が必要であり、重複ルールの適用と数値計算を組み合わせる必要がある。 エラーはコストのかかるペナルティを引き起こす可能性があるため、あらゆる自動化システムは高い精度と監査性を提供しなければならない。 本稿では,LLMとシンボルソルバを統合した税務義務計算手法を提案する。 本研究では,SARA(StAtutory Reasoning Assessment)データセットを用いて,このシステムの変種を評価するとともに,実際の納税違反に対する罰則に基づくシステム導入コストを推定する新しい手法を含む。 さらに、素文規則の事前翻訳を形式論理プログラムに組み合わせ、知的に抽出された形式的ケース表現の例と組み合わせることで、このタスクの性能が劇的に向上し、実際の平均よりもはるかに低いコストを削減できることを示す。 本研究は, 信頼税支援への公平なアクセスを高めるため, ニューロシンボリックアーキテクチャの約束と経済的実現可能性を示すものである。

関連論文リスト

• TaxCalcBench: Evaluating Frontier Models on the Tax Calculation Task [0.11999555634662631]
  米国の個人所得税の計算は、膨大な量の英文を理解することを必要とするタスクである。 我々は、個人所得税率を計算できるモデルの能力を決定するためのベンチマークであるTaxCalcBenchを提案する。
  論文  参考訳（メタデータ） (2025-07-22T00:37:59Z)
• TaxAgent: How Large Language Model Designs Fiscal Policy [22.859190941594296]
  本研究では,大規模言語モデル(LLM)とエージェントベースモデリング(ABM)を統合し,適応型税制を設計するTaxAgentを紹介する。 我々のマクロ経済シミュレーションでは、ヘテロジニアスなH-Agents(ハウスホールディングス)が現実の納税者の振る舞いをシミュレートし、TaxAgent(政府)はLLMを使って税率を反復的に最適化し、株式と生産性のバランスをとる。 Saez Optimal Taxation、合衆国の連邦所得税、自由市場を基準に、TaxAgentは優れた株式・効率のトレードオフを達成している。
  論文  参考訳（メタデータ） (2025-06-03T13:06:19Z)
• Technical Challenges in Maintaining Tax Prep Software with Large Language Models [6.419602857618507]
  我々は、LLM(Large Language Models)を活用した技術的課題を特定し、理解し、対処することに注力する。 我々の研究は、ChatGPTとLlamaを利用してIRS出版物からコード差分を忠実に抽出する技術的課題を特定し、理解し、対処することに焦点を当てています。
  論文  参考訳（メタデータ） (2025-04-25T21:00:20Z)
• A Taxation Perspective for Fair Re-ranking [61.946428892727795]
  本稿では,2項目間の実用性の違いに基づいて税率を上昇させる,税率という新たな公正な再格付け手法を提案する。 我々のモデルである税ランクは、公正な優遇措置として優れた税率政策を提供し、理論的には、精度損失よりも連続性と制御性の両方を実証している。
  論文  参考訳（メタデータ） (2024-04-27T08:21:29Z)
• Learning Optimal Tax Design in Nonatomic Congestion Games [56.85292809260111]
  マルチプレイヤーゲームでは、プレイヤー間の利己的な行動が社会福祉を損なうことがある。 我々は、渋滞ゲームにおいて、限られたフィードバックで社会福祉を誘導できる最適税を学習する最初のステップを採っている。
  論文  参考訳（メタデータ） (2024-02-12T06:32:53Z)
• On the Potential and Limitations of Few-Shot In-Context Learning to Generate Metamorphic Specifications for Tax Preparation Software [12.071874385139395]
  納税者の50%近くが、FY22にアメリカで税ソフトウェアを使って個人所得税を申告した。 本稿では,税制文書から抽出した属性間の翻訳タスクとして,変成仕様を作成するタスクを定式化する。
  論文  参考訳（メタデータ） (2023-11-20T18:12:28Z)
• Algorithmic Fairness and Vertical Equity: Income Fairness with IRS Tax Audit Models [73.24381010980606]
  本研究は、IRSによる税務監査選択を通知するシステムの文脈におけるアルゴリズムフェアネスの問題について検討する。 監査を選択するための柔軟な機械学習手法が、垂直エクイティにどのように影響するかを示す。 この結果は,公共セクター全体でのアルゴリズムツールの設計に影響を及ぼす。
  論文  参考訳（メタデータ） (2022-06-20T16:27:06Z)
• Integrating Reward Maximization and Population Estimation: Sequential Decision-Making for Internal Revenue Service Audit Selection [2.2182596728059116]
  我々は、新しい設定、最適化および推定された構造化バンディットを導入する。 この設定は多くの公共および民間分野のアプリケーションに固有のものである。 我々は、米国内国歳入庁の実際のデータにその重要性を示す。
  論文  参考訳（メタデータ） (2022-04-25T18:28:55Z)
• The AI Economist: Improving Equality and Productivity with AI-Driven Tax Policies [119.07163415116686]
  我々は、経済的平等と生産性を効果的にトレードオフできる税制政策を発見する社会プランナーを訓練する。 競争圧力と市場ダイナミクスを特徴とする経済シミュレーション環境を提案する。 AI主導の税政策は、基本方針よりも平等と生産性のトレードオフを16%改善することを示します。
  論文  参考訳（メタデータ） (2020-04-28T06:57:18Z)

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。