論文の概要: Taxonomy-Aligned Risk Extraction from 10-K Filings with Autonomous Improvement Using LLMs

• arxiv url: http://arxiv.org/abs/2601.15247v1
• Date: Wed, 21 Jan 2026 18:28:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.492489
• Title: Taxonomy-Aligned Risk Extraction from 10-K Filings with Autonomous Improvement Using LLMs
• Title（参考訳）: LLMを用いた10-Kフィリングからの分類基準付きリスク抽出
• Authors: Rian Dolphin, Joe Dursun, Jarrett Blankenship, Katie Adams, Quinton Pike,
• Abstract要約: 企業10-K出願から構造的リスクファクターを抽出する手法を提案する。 S&P500社から10,688のリスクファクタを抽出し,業界クラスタ間のリスクプロファイルの類似性を検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a methodology for extracting structured risk factors from corporate 10-K filings while maintaining adherence to a predefined hierarchical taxonomy. Our three-stage pipeline combines LLM extraction with supporting quotes, embedding-based semantic mapping to taxonomy categories, and LLM-as-a-judge validation that filters spurious assignments. To evaluate our approach, we extract 10,688 risk factors from S&P 500 companies and examine risk profile similarity across industry clusters. Beyond extraction, we introduce autonomous taxonomy maintenance where an AI agent analyzes evaluation feedback to identify problematic categories, diagnose failure patterns, and propose refinements, achieving 104.7% improvement in embedding separation in a case study. External validation confirms the taxonomy captures economically meaningful structure: same-industry companies exhibit 63% higher risk profile similarity than cross-industry pairs (Cohen's d=1.06, AUC 0.82, p<0.001). The methodology generalizes to any domain requiring taxonomy-aligned extraction from unstructured text, with autonomous improvement enabling continuous quality maintenance and enhancement as systems process more documents.
• Abstract（参考訳）: 本稿では, 企業10-K出願から構造的リスク因子を抽出する手法を提案する。 我々の3段階パイプラインは、LLM抽出と、引用語のサポート、分類分類カテゴリへの埋め込みベースのセマンティックマッピング、そして急激な割り当てをフィルタリングするLLM-as-a-judgeバリデーションを組み合わせたものです。 S&P500社から10,688のリスクファクタを抽出し,業界クラスタ間のリスクプロファイルの類似性を検証した。 抽出以外にも、AIエージェントが評価フィードバックを分析し、問題のあるカテゴリを特定し、障害パターンを診断し、改善を提案し、ケーススタディにおける埋め込み分離の104.7%の改善を達成できる自律型分類維持を導入する。 外的検証は、経済的に有意義な構造を捉えていることを確認している: 同一産業の企業は、異産業の対(コーエンのd=1.06, AUC 0.82, p<0.001)よりも63%高いリスクプロファイルの類似性を示す。 この方法論は、非構造化テキストから分類に整合した抽出を必要とするあらゆる領域に一般化され、自律的な改善により、より多くのドキュメントを処理し、継続的品質の維持と強化を可能にする。

関連論文リスト

• AutoMalDesc: Large-Scale Script Analysis for Cyber Threat Research [81.04845910798387]
  脅威検出のための自然言語の説明を生成することは、サイバーセキュリティ研究において未解決の問題である。 本稿では,大規模に独立して動作する自動静的解析要約フレームワークAutoMalDescを紹介する。 アノテーション付きシード(0.9K)データセットや方法論,評価フレームワークなど,100万以上のスクリプトサンプルの完全なデータセットを公開しています。
  論文  参考訳（メタデータ） (2025-11-17T13:05:25Z)
• FinCARE: Financial Causal Analysis with Reasoning and Evidence [39.146761527401424]
  Portfolioのマネージャは相関に基づく分析と、パフォーマンスを駆動する真の因果関係のキャプチャに失敗する手法に依存している。 本稿では,SEC 10-K の申請書から抽出した財務知識グラフと大規模言語モデル推論の2つの相補的な情報源から,統計的因果探索アルゴリズムとドメイン知識を統合するハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-23T05:14:28Z)
• HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis [55.2480439325792]
  HySemRAGは、Extract, Transform, Load (ETL)パイプラインとRetrieval-Augmented Generation (RAG)を組み合わせたフレームワークである。 システムは、マルチ層アプローチを通じて既存のRAGアーキテクチャの制限に対処する。
  論文  参考訳（メタデータ） (2025-08-01T20:30:42Z)
• Assessing the Reliability of Large Language Models for Deductive Qualitative Coding: A Comparative Study of ChatGPT Interventions [0.0]
  本研究では,構造化定性符号化における大規模言語モデル (LLM) の利用について検討する。 我々は合衆国最高裁判所の判例を21の政策領域に分類した。 ChatGPTは、低支持サブクラスにおける高いF1スコアを含む、サンプル間で安定した一致を示した。
  論文  参考訳（メタデータ） (2025-07-18T22:16:04Z)
• Semantic-Aware Contrastive Fine-Tuning: Boosting Multimodal Malware Classification with Discriminative Embeddings [2.1874189959020427]
  大規模言語モデル(LLM)は、家族分類を支援するマルウェア記述を生成する可能性を提供する。 硬質負試料のターゲット選択によりLCM埋め込みを改良するコントラスト微調整法(CFT)を提案する。 提案手法は, 高い相似性陰性度を組み合わせ, 識別力と中層性陰性度を高め, 埋め込み多様性を高める。
  論文  参考訳（メタデータ） (2025-04-25T02:41:45Z)
• The Dual-use Dilemma in LLMs: Do Empowering Ethical Capacities Make a Degraded Utility? [54.18519360412294]
  大きな言語モデル(LLM)は、安全のための有害な要求を拒否することと、ユーティリティのための正当な要求を収容することのバランスをとる必要がある。 本稿では,DPO(Direct Preference Optimization)に基づくアライメントフレームワークを提案する。 我々は,DeepSeek-R1をベンチマークでテストした結果を解析し,この高い評価を得たモデルがもたらす批判的倫理的懸念を明らかにする。
  論文  参考訳（メタデータ） (2025-01-20T06:35:01Z)
• Risk-Averse Certification of Bayesian Neural Networks [70.44969603471903]
  本稿では,RAC-BNNと呼ばれるベイズニューラルネットワークに対するリスク・アバース認証フレームワークを提案する。 提案手法はサンプリングと最適化を利用して,BNNの出力集合の音響近似を計算する。 我々は,RAC-BNNを回帰および分類ベンチマークで検証し,その性能を最先端の手法と比較した。
  論文  参考訳（メタデータ） (2024-11-29T14:22:51Z)
• A Large-Scale Study of Relevance Assessments with Large Language Models: An Initial Look [52.114284476700874]
  本稿では,4つの異なる関連性評価手法が展開された大規模評価(TREC 2024 RAG Track)の結果について報告する。 自動生成UMBRELA判定は、完全に手動による判断を置き換えて、実行レベルの有効性を正確に捉えることができる。 意外なことに、LLMアシストは完全な手作業による評価と相関を増さないようで、人間のループプロセスに関連するコストは明らかな有意義な利益をもたらすものではないことを示唆している。
  論文  参考訳（メタデータ） (2024-11-13T01:12:35Z)
• A Novel Characterization of the Population Area Under the Risk Coverage Curve (AURC) and Rates of Finite Sample Estimators [22.231565523932286]
  AURC(Area Under the Risk-Coverage Curve)は、SCシステムの性能を評価するための最前線評価指標として登場した。 有限サンプルシナリオに対する実験的なAURCプラグイン推定器を導出する。 複数のデータセットにまたがる実験により,推定器の有効性を実証的に検証した。
  論文  参考訳（メタデータ） (2024-10-20T11:14:51Z)
• Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
  そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。 PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
  論文  参考訳（メタデータ） (2022-01-26T19:59:14Z)

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。