論文の概要: AuditAgent: Expert-Guided Multi-Agent Reasoning for Cross-Document Fraudulent Evidence Discovery
- arxiv url: http://arxiv.org/abs/2510.00156v1
- Date: Tue, 30 Sep 2025 18:26:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-03 16:59:20.197263
- Title: AuditAgent: Expert-Guided Multi-Agent Reasoning for Cross-Document Fraudulent Evidence Discovery
- Title（参考訳）: AuditAgent: クロスドキュメント不正証拠発見のためのエキスパートガイド型マルチエージェント推論
- Authors: Songran Bai, Bingzhe Wu, Yiwei Zhang, Chengke Wu, Xiaolong Zheng, Yaze Yuan, Ke Wu, Jianqiang Li,
- Abstract要約: 本稿では,金融詐欺事件における詳細な証拠連鎖の特定を目的とした,監査ドメインの専門知識によって強化された新しいマルチエージェント推論フレームワークAuditAgentを紹介する。
提案手法は,対象レベルのリスク事前,ハイブリッド検索戦略,特別エージェントモジュールを統合して,クロスレポートの証拠を効率的に識別・集約する。
本研究は,現実の規制アプリケーションにおいて,ロバストな金融不正検出を実現するために,ドメイン固有の推論とデータセット構築の価値を強調した。
- 参考スコア（独自算出の注目度）: 23.24781687733812
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Financial fraud detection in real-world scenarios presents significant challenges due to the subtlety and dispersion of evidence across complex, multi-year financial disclosures. In this work, we introduce a novel multi-agent reasoning framework AuditAgent, enhanced with auditing domain expertise, for fine-grained evidence chain localization in financial fraud cases. Leveraging an expert-annotated dataset constructed from enforcement documents and financial reports released by the China Securities Regulatory Commission, our approach integrates subject-level risk priors, a hybrid retrieval strategy, and specialized agent modules to efficiently identify and aggregate cross-report evidence. Extensive experiments demonstrate that our method substantially outperforms General-Purpose Agent paradigm in both recall and interpretability, establishing a new benchmark for automated, transparent financial forensics. Our results highlight the value of domain-specific reasoning and dataset construction for advancing robust financial fraud detection in practical, real-world regulatory applications.
- Abstract（参考訳）: 実世界のシナリオにおける金融詐欺検出は、複雑な複数年にわたる財務情報開示における証拠の微妙さと分散により、重大な課題を呈する。
本研究では,金融詐欺事件における詳細な証拠連鎖の特定を目的とした,監査領域の専門知識が強化された新しいマルチエージェント推論フレームワークAuditAgentを紹介する。
中国証券規制委員会(SEC)が公表した規制文書と財務報告から構築した専門家アノテートデータセットを利用して、当社のアプローチは、対象レベルのリスク事前、ハイブリッド検索戦略、および特殊なエージェントモジュールを統合して、クロスレポートの証拠を効率的に特定し集約する。
大規模な実験により,提案手法はリコールおよび解釈可能性の両方において汎用エージェントのパラダイムを大幅に上回っており,自動化された透明な金融鑑定のための新しいベンチマークが確立されている。
本研究は,現実の規制アプリケーションにおいて,ロバストな金融不正検出を実現するために,ドメイン固有の推論とデータセット構築の価値を強調した。
関連論文リスト
- ReliabilityRAG: Effective and Provably Robust Defense for RAG-based Web-Search [69.60882125603133]
本稿では,検索した文書の信頼性情報を明確に活用する,敵対的堅牢性のためのフレームワークであるReliabilityRAGを提案する。
我々の研究は、RAGの回収されたコーパスの腐敗に対するより効果的で確実に堅牢な防御に向けた重要な一歩である。
論文 参考訳（メタデータ） (2025-09-27T22:36:42Z) - Enhancing Financial RAG with Agentic AI and Multi-HyDE: A Novel Approach to Knowledge Retrieval and Hallucination Reduction [0.5814806132299305]
我々は、金融レトリヴァル強化世代(RAG)のための枠組みを導入する。
RAGは、大規模で構造化された財務コーパスからの検索の有効性とカバレッジを高めるために、複数の無意味なクエリを生成する。
私たちのパイプラインはトークン効率と多段階の財務推論に最適化されています。
論文 参考訳（メタデータ） (2025-09-19T19:24:30Z) - FinAgentBench: A Benchmark Dataset for Agentic Retrieval in Financial Question Answering [57.18367828883773]
FinAgentBenchは、ファイナンスにおけるマルチステップ推論による検索評価のための最初の大規模ベンチマークである。
このベンチマークは、S&P-100上場企業に関する専門家による3,429の例から成っている。
我々は,最先端モデルの集合を評価し,対象の微調整がエージェント検索性能を大幅に向上することを示す。
論文 参考訳（メタデータ） (2025-08-07T22:15:22Z) - Template-Based Financial Report Generation in Agentic and Decomposed Information Retrieval [10.949941726727097]
本稿では, 業界で普及している2つの金融レポート作成手法について検討する。
エージェント情報検索(IR)フレームワークとリフレクションIRアプローチについて検討した。
DecomposedIRはAgenticIRをはるかに上回り、より広範かつ詳細なカバレッジを提供する。
論文 参考訳（メタデータ） (2025-04-19T09:06:13Z) - Refining Financial Consumer Complaints through Multi-Scale Model Interaction [8.504311452987036]
本稿では,非公式な会話文入力を説得力のある法的議論に変換する法文改良の課題について考察する。
我々は、請求合理性に関する公式判断を付した中国の金融紛争記録のデータセットであるFinDRを紹介した。
実験の結果,MSMI(Multi-Scale Model Interaction)はシングルパスプロンプト戦略を著しく上回ることがわかった。
論文 参考訳（メタデータ） (2025-04-14T05:51:31Z) - 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) - Deep Learning Approaches for Anti-Money Laundering on Mobile Transactions: Review, Framework, and Directions [51.43521977132062]
マネーロンダリング(英: Money laundering)は、不正資金の起源を隠蔽する金融犯罪である。
モバイル決済プラットフォームとスマートIoTデバイスの普及は、マネーロンダリング対策をかなり複雑にしている。
本稿では,AMLにおけるディープラーニングソリューションとその利用に関する課題について,包括的レビューを行う。
論文 参考訳（メタデータ） (2025-03-13T05:19:44Z) - 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) - 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)
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。