論文の概要: Financial Transaction Retrieval and Contextual Evidence for Knowledge-Grounded Reasoning

• arxiv url: http://arxiv.org/abs/2603.15459v1
• Date: Mon, 16 Mar 2026 15:56:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.557013
• Title: Financial Transaction Retrieval and Contextual Evidence for Knowledge-Grounded Reasoning
• Title（参考訳）: 知識を考慮した推論のための財務取引検索と文脈証拠
• Authors: Artem Sakhno, Daniil Tomilov, Yuliana Shakhvalieva, Inessa Fedorova, Daria Ruzanova, Omar Zoloev, Andrey Savchenko, Maksim Makarenko,
• Abstract要約: FinTRACEは、生のトランザクションを再利用可能な特徴表現に変換する検索ファーストアーキテクチャである。 パブリックとインダストリアルのベンチマークを通じて、FinTRACEは低スーパービジョントランザクション分析を大幅に改善する。
• 参考スコア（独自算出の注目度）: 0.3947144942254943
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nowadays, success of financial organizations heavily depends on their ability to process digital traces generated by their clients, e.g., transaction histories, gathered from various sources to improve user modeling pipelines. As general-purpose LLMs struggle with time-distributed tabular data, production stacks still depend on specialized tabular and sequence models with limited transferability and need for labeled data. To address this, we introduce FinTRACE, a retrieval-first architecture that converts raw transactions into reusable feature representations, applies rule-based detectors, and stores the resulting signals in a behavioral knowledge base with graded associations to the objectives of downstream tasks. Across public and industrial benchmarks, FinTRACE substantially improves low-supervision transaction analytics, doubling zero-shot MCC on churn prediction performance from 0.19 to 0.38 and improving 16-shot MCC from 0.25 to 0.40. We further use FinTRACE to ground LLMs via instruction tuning on retrieved behavioral patterns, achieving state-of-the-art LLM results on transaction analytics problems.
• Abstract（参考訳）: 今日では、金融組織の成功は、顧客によって生成されたデジタルトレース(トランザクション履歴など)を処理する能力に大きく依存している。 汎用LLMは時間分散の表型データに苦しむため、生産スタックは限定的な転送可能性とラベル付きデータを必要とする特殊な表型およびシーケンスモデルに依存している。 そこで本研究では、生トランザクションを再利用可能な特徴表現に変換する検索ファーストアーキテクチャであるFinTRACEを導入し、ルールに基づく検出を行い、結果の信号を下流タスクの目的に関連づけた行動知識ベースに格納する。 公開および工業ベンチマーク全体で、FinTRACEは低オーバーヘッドトランザクション分析を大幅に改善し、チャーン予測性能のゼロショットMCCを0.19から0.38に倍増させ、16ショットMCCを0.25から0.40に改善した。 さらに、FinTRACEを用いて、検索した動作パターンの命令チューニングを行い、トランザクション解析問題に対する最新のLLM結果を達成する。

関連論文リスト

• Can LLMs Clean Up Your Mess? A Survey of Application-Ready Data Preparation with LLMs [66.63911043019294]
  データ準備は、生のデータセットを識別し、データセット間の関係を解明し、それらから貴重な洞察を抽出することを目的としている。 本稿では,様々な下流タスクのためのデータ準備にLLM技術を用いることに焦点を当てる。 データクリーニング、標準化、エラー処理、計算、データ統合、データ豊か化という3つの主要なタスクにフィールドを編成するタスク中心の分類を導入します。
  論文  参考訳（メタデータ） (2026-01-22T12:02:45Z)
• Enhancing Foundation Models in Transaction Understanding with LLM-based Sentence Embeddings [26.118375969968437]
  大きな言語モデル(LLM)は、より優れたセマンティック理解を通じて、この制限に対処することができる。 軽量トランザクションモデルのためのセマンティック初期化としてLLM生成の埋め込みを利用するハイブリッドフレームワークを提案する。 提案手法では,マルチソースデータ融合を用いて,商取引分野を豊かにし,一貫した埋め込み生成のための一語制約原理を定めている。
  論文  参考訳（メタデータ） (2025-12-01T23:30:17Z)
• LATTE: Learning Aligned Transactions and Textual Embeddings for Bank Clients [0.6106535351521803]
  LATTEは、生のイベント埋め込みと凍結した言語モデルからのセマンティック埋め込みを整合させる、対照的な学習フレームワークである。 提案手法は,実世界の財務データセット上でのイベントシーケンス表現の学習において,最先端技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-08-07T16:46:38Z)
• IDA-Bench: Evaluating LLMs on Interactive Guided Data Analysis [60.32962597618861]
  IDA-Benchは、多ラウンドの対話シナリオで大規模言語モデルを評価する新しいベンチマークである。 エージェント性能は、最終的な数値出力と人間由来のベースラインを比較して判断する。 最先端のコーディングエージェント(Claude-3.7-thinkingなど)でさえ50%のタスクを成功させ、シングルターンテストでは明らかでない制限を強調している。
  論文  参考訳（メタデータ） (2025-05-23T09:37:52Z)
• Mitigating Forgetting in LLM Fine-Tuning via Low-Perplexity Token Learning [65.23593936798662]
  LLM生成データによる微調整により,目標タスクの性能が向上し,非目標タスクの劣化が低減されることを示す。 微調整後のLSMにおける破滅的忘れを緩和するために、トークンの難易度低減に基づく経験的説明を提供する最初の研究である。
  論文  参考訳（メタデータ） (2025-01-24T08:18:56Z)
• 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)

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。