論文の概要: PRISM: Prompt-Refined In-Context System Modelling for Financial Retrieval

• arxiv url: http://arxiv.org/abs/2511.14130v1
• Date: Tue, 18 Nov 2025 04:30:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.933473
• Title: PRISM: Prompt-Refined In-Context System Modelling for Financial Retrieval
• Title（参考訳）: PRISM:金融検索のためのプロンプト精錬インコンテキストシステムモデリング
• Authors: Chun Chet Ng, Jia Yu Lim, Wei Zeng Low,
• Abstract要約: PRISMは、システムプロンプト、コンテキスト内学習、軽量マルチエージェントシステムを統合する、トレーニング不要のフレームワークである。 我々の最高の設定は、制限されたバリデーション分割に対して0.71818のNDCG@5を達成する。 そのモジュラーで推論のみの設計は、現実世界のユースケースに実用的だ。
• 参考スコア（独自算出の注目度）: 0.3143649069042093
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid progress of large language models (LLMs), financial information retrieval has become a critical industrial application. Extracting task-relevant information from lengthy financial filings is essential for both operational and analytical decision-making. The FinAgentBench dataset formalizes this problem through two tasks: document ranking and chunk ranking. We present PRISM, a training-free framework that integrates refined system prompting, in-context learning (ICL), and a lightweight multi-agent system. Each component is examined extensively to reveal their synergies: prompt engineering provides precise task instructions, ICL supplies semantically relevant few-shot examples, and the multi-agent system models coordinated scoring behaviour. Our best configuration achieves an NDCG@5 of 0.71818 on the restricted validation split. We further demonstrate that PRISM is feasible and robust for production-scale financial retrieval. Its modular, inference-only design makes it practical for real-world use cases. The source code is released at https://bit.ly/prism-ailens.
• Abstract（参考訳）: 大規模言語モデル (LLM) の急速な進歩に伴い、金融情報検索は重要な産業アプリケーションとなっている。 長期にわたる財務書類からタスク関連情報を抽出することは、運用および分析的意思決定の両方に不可欠である。 FinAgentBenchデータセットは、文書ランキングとチャンクランキングという2つのタスクを通じてこの問題を形式化する。 PRISMは、改良されたシステムプロンプト、インコンテキスト学習(ICL)、軽量マルチエージェントシステムを統合したトレーニング不要のフレームワークである。 プロンプトエンジニアリングは正確なタスク命令を提供し、ICLは意味的に関連するいくつかのショット例を提供し、マルチエージェントシステムモデルはスコアリング行動を調整する。 我々の最高の設定は、制限されたバリデーション分割に対して0.71818のNDCG@5を達成する。 さらに、PRISMは生産規模での財務検索に有効で堅牢であることを示す。 そのモジュラーで推論のみの設計は、現実世界のユースケースに実用的だ。 ソースコードはhttps://bit.ly/prism-ailens.comで公開されている。

関連論文リスト

• Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
  文書理解は、財務分析から科学的発見への応用に不可欠である。 現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。 Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
  論文  参考訳（メタデータ） (2025-10-17T02:33:16Z)
• VeritasFi: An Adaptable, Multi-tiered RAG Framework for Multi-modal Financial Question Answering [31.334698403426245]
  金融セクターにおける質問回答 (QA) には, RAG (Retrieval-Augmented Generation) がますます重要になっている。 We present VeritasFi, a innovative hybrid RAG framework that with a multi-modal preprocessing pipeline。 提案した設計を統合することで、VeritasFiは金融RAGシステムの適応性と堅牢性を大幅に向上する画期的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-10-12T22:45:24Z)
• A Comprehensive Survey on Benchmarks and Solutions in Software Engineering of LLM-Empowered Agentic System [56.40989626804489]
  この調査は、Large Language Modelsを使ったソフトウェアエンジニアリングに関する、最初の総合的な分析を提供する。 本稿では,150以上の最近の論文をレビューし,(1)素早い,微調整,エージェントベースのパラダイムに分類した解法,(2)コード生成,翻訳,修復などのタスクを含むベンチマークという2つの重要な側面に沿った分類法を提案する。
  論文  参考訳（メタデータ） (2025-10-10T06:56:50Z)
• 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多段階推論によるエージェント検索を評価するためのベンチマークである。 このベンチマークは、S&P-500上場企業に関する26Kのエキスパートアノテート例から成っている。 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)

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。