論文の概要: Identifying Financial Risk Information Using RAG with a Contrastive Insight

• arxiv url: http://arxiv.org/abs/2510.03521v1
• Date: Fri, 03 Oct 2025 21:24:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.090059
• Title: Identifying Financial Risk Information Using RAG with a Contrastive Insight
• Title（参考訳）: コントラストインサイトを用いたRAGによる財務リスク情報の特定
• Authors: Ali Elahi,
• Abstract要約: 本稿では、RAG上のピア認識比較推論層を提案する。 我々の対照的なアプローチは、ROUGEやBERTScoreといったテキスト生成メトリクスのベースラインRAGよりも優れています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In specialized domains, humans often compare new problems against similar examples, highlight nuances, and draw conclusions instead of analyzing information in isolation. When applying reasoning in specialized contexts with LLMs on top of a RAG, the pipeline can capture contextually relevant information, but it is not designed to retrieve comparable cases or related problems. While RAG is effective at extracting factual information, its outputs in specialized reasoning tasks often remain generic, reflecting broad facts rather than context-specific insights. In finance, it results in generic risks that are true for the majority of companies. To address this limitation, we propose a peer-aware comparative inference layer on top of RAG. Our contrastive approach outperforms baseline RAG in text generation metrics such as ROUGE and BERTScore in comparison with human-generated equity research and risk.
• Abstract（参考訳）: 専門分野において、人間はしばしば同様の例と新しい問題を比べ、ニュアンスを強調し、孤立した情報を分析する代わりに結論を引き出す。 RAG上にLLMを持つ特殊なコンテキストで推論を適用する場合、パイプラインはコンテキストに関連のある情報をキャプチャするが、同等のケースや関連する問題を取得するように設計されていない。 RAGは事実情報を抽出するのに有効であるが、特定の推論タスクにおける出力は、文脈固有の洞察よりも広い事実を反映して、一般的なままであることが多い。 財務面では、ほとんどの企業にとって当てはまる一般的なリスクをもたらす。 この制限に対処するため,RAG上のピア認識比較推論層を提案する。 我々の対照的なアプローチは、ROUGEやBERTScoreといったテキスト生成指標において、人為的なエクイティリサーチやリスクと比較して、ベースラインRAGよりも優れています。

関連論文リスト

• PL-CA: A Parametric Legal Case Augmentation Framework [10.998168534326709]
  従来のRAGは、取得した文書を直接モデルのコンテキストに注入するのみである。 多くの既存のベンチマークには専門家のアノテーションがなく、個別の下流タスクのみに焦点を当てている。 本稿では,PL-CAを提案する。PL-CAは,コーパス知識に基づくデータ拡張を行うためのパラメトリックRAGフレームワークである。
  論文  参考訳（メタデータ） (2025-09-08T06:08:06Z)
• Retrieval-Augmented Generation as Noisy In-Context Learning: A Unified Theory and Risk Bounds [31.30656916610626]
  In-context linear regression における RAG に対する最初の有限サンプル一般化法を提案する。 我々のフレームワークは、検索したテキストを、クエリ依存のノイズのあるインコンテキストの例と見なしている。 解析の結果, ICLとは対照的にRAG上に本態性天井が存在することが示唆された。
  論文  参考訳（メタデータ） (2025-06-03T17:31:53Z)
• Astute RAG: Overcoming Imperfect Retrieval Augmentation and Knowledge Conflicts for Large Language Models [20.605487145370752]
  不完全な検索強化は避けられ、一般的であり、有害であることがわかった。 本稿では,不完全検索拡張に耐性を持つ新しいRAG手法であるAstute RAGを提案する。 GeminiとClaudeによる実験は、従来の堅牢性強化RAGアプローチと比較して、Astute RAGの優れた性能を示している。
  論文  参考訳（メタデータ） (2024-10-09T17:59:58Z)
• Multi-Source Knowledge Pruning for Retrieval-Augmented Generation: A Benchmark and Empirical Study [46.55831783809377]
  大規模言語モデル(LLM)の幻覚を緩和するための効果的なアプローチとして,検索拡張世代(RAG)がますます認識されている。 PruningRAGはマルチグラニュラリティ・プルーニング・ストラテジーを用いて,関連コンテキストをより効果的に統合し,誤った情報に対するネガティブな影響を軽減するためのプラグアンドプレイRAGフレームワークである。
  論文  参考訳（メタデータ） (2024-09-03T03:31:37Z)
• RAGEval: Scenario Specific RAG Evaluation Dataset Generation Framework [66.93260816493553]
  本稿では,様々なシナリオにまたがってRAGシステムを評価するためのフレームワークであるRAGvalを紹介する。 事実の正確性に焦点をあてて,完全性,幻覚,不適切性の3つの新しい指標を提案する。 実験結果から, RAGEvalは, 生成した試料の明瞭度, 安全性, 適合性, 豊かさにおいて, ゼロショット法とワンショット法より優れていた。
  論文  参考訳（メタデータ） (2024-08-02T13:35:11Z)
• A Theory for Token-Level Harmonization in Retrieval-Augmented Generation [76.75124161306795]
  Retrieval-augmented Generation (RAG)は、検索したテキストを利用して大規模言語モデル(LLM)を強化する。 本稿では,RAGの利益と有害性を説明するための理論を提供する。 提案手法は,本理論に基づいて,純粋LLMとRAGの協調生成を実現する実用的手法であるTok-RAGを提案する。
  論文  参考訳（メタデータ） (2024-06-03T02:56:14Z)
• CRUD-RAG: A Comprehensive Chinese Benchmark for Retrieval-Augmented Generation of Large Language Models [49.16989035566899]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の能力を高める技術である。 本稿では,大規模かつ包括的なベンチマークを構築し,様々なRAGアプリケーションシナリオにおけるRAGシステムのすべてのコンポーネントを評価する。
  論文  参考訳（メタデータ） (2024-01-30T14:25:32Z)

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。