論文の概要: Fact4ac at the Financial Misinformation Detection Challenge Task: Reference-Free Financial Misinformation Detection via Fine-Tuning and Few-Shot Prompting of Large Language Models

• arxiv url: http://arxiv.org/abs/2604.14640v1
• Date: Thu, 16 Apr 2026 05:38:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.741263
• Title: Fact4ac at the Financial Misinformation Detection Challenge Task: Reference-Free Financial Misinformation Detection via Fine-Tuning and Few-Shot Prompting of Large Language Models
• Title（参考訳）: Fact4ac at the Financial Misinformation Detection Task: Reference-free Financial Misinformation Detection via Fine-Tuning and Few-Shot Prompting of Large Language Models
• Authors: Cuong Hoang, Le-Minh Nguyen,
• Abstract要約: 本稿では,「参照自由な財務誤情報検出」タスクの獲得手法について述べる。 本稿では,最先端の大規模言語モデルの推論能力を活かした包括的フレームワークを提案する。 提案方式は優れた有効性を示し,両公式リーダーボードのランキング1位を確保できた。
• 参考スコア（独自算出の注目度）: 4.8239913268889
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The proliferation of financial misinformation poses a severe threat to market stability and investor trust, misleading market behavior and creating critical information asymmetry. Detecting such misleading narratives is inherently challenging, particularly in real-world scenarios where external evidence or supplementary references for cross-verification are strictly unavailable. This paper presents our winning methodology for the "Reference-Free Financial Misinformation Detection" shared task. Built upon the recently proposed RFC-BENCH framework (Jiang et al. 2026), this task challenges models to determine the veracity of financial claims by relying solely on internal semantic understanding and contextual consistency, rather than external fact-checking. To address this formidable evaluation setup, we propose a comprehensive framework that capitalizes on the reasoning capabilities of state-of-the-art Large Language Models (LLMs). Our approach systematically integrates in-context learning, specifically zero-shot and few-shot prompting strategies, with Parameter-Efficient Fine-Tuning (PEFT) via Low-Rank Adaptation (LoRA) to optimally align the models with the subtle linguistic cues of financial manipulation. Our proposed system demonstrated superior efficacy, successfully securing the first-place ranking on both official leaderboards. Specifically, we achieved an accuracy of 95.4% on the public test set and 96.3% on the private test set, highlighting the robustness of our method and contributing to the acceleration of context-aware misinformation detection in financial Natural Language Processing. Our models (14B and 32B) are available at https://huggingface.co/KaiNKaiho.
• Abstract（参考訳）: 金融上の誤った情報の拡散は、市場の安定と投資家の信頼に深刻な脅威をもたらし、市場の振る舞いを誤解させ、重要な情報非対称性を生み出す。 このような誤解を招く物語を検出することは本質的に困難であり、特に、外部の証拠やクロス・ビジュアライゼーションのための補足的参照が厳密には利用できない現実のシナリオにおいてである。 本稿では,「参照自由な財務誤情報検出」タスクの獲得手法について述べる。 このタスクは、最近提案されたRFC-BENCHフレームワーク(Jiang et al 2026)に基づいており、外部の事実チェックではなく、内部のセマンティックな理解と文脈的な一貫性にのみ依存することによって、財務的クレームの正確性を決定するモデルに挑戦する。 そこで本稿では,最先端のLarge Language Models (LLM) の推論能力を活かした包括的フレームワークを提案する。 提案手法は,テキスト内学習,特にゼロショットと少数ショットのプロンプト戦略を,低ランク適応(LoRA)によるパラメータ効率ファインタニング(PEFT)と体系的に統合し,財務操作の微妙な言語的手法でモデルを最適に整合させる。 提案方式は優れた有効性を示し,両公式リーダーボードのランキング1位を確保できた。 具体的には、パブリックテストセットで95.4%、プライベートテストセットで96.3%の精度を達成し、この手法の堅牢性を強調し、財務自然言語処理における文脈認識誤情報検出の高速化に寄与した。 私たちのモデル(14Bと32B)はhttps://huggingface.co/KaiNKaiho.comで公開されています。

関連論文リスト

• Evaluating LLMs in Finance Requires Explicit Bias Consideration [88.38155218924999]
  ファイナンス固有のバイアスは、パフォーマンスを低下させ、バックテストを汚染し、報告された結果をデプロイメントのクレームに役に立たないものにする。 一つのバイアスが28%以上の研究で議論されることはない。 本稿では,バイアス診断と将来のシステム設計のための最小限の要件を満たす構造的妥当性フレームワークと評価チェックリストを提案する。
  論文  参考訳（メタデータ） (2026-02-15T17:02:01Z)
• Same Claim, Different Judgment: Benchmarking Scenario-Induced Bias in Multilingual Financial Misinformation Detection [64.75447949495307]
  大規模言語モデル (LLM) は金融分野に広く適用されている。 行動バイアスは、意思決定における不安定性と不確実性をもたらす可能性がある。 mfmdscenは様々な経済シナリオで mfmdの行動バイアスを評価するベンチマークです
  論文  参考訳（メタデータ） (2026-01-08T22:00:32Z)
• All That Glisters Is Not Gold: A Benchmark for Reference-Free Counterfactual Financial Misinformation Detection [67.89888669159899]
  RFC Benchは、現実的なニュースの下で財務的な誤情報に関する大規模な言語モデルを評価するためのベンチマークである。 このベンチマークでは、2つの補完的なタスクが定義されている。
  論文  参考訳（メタデータ） (2026-01-07T18:18:28Z)
• VERAFI: Verified Agentic Financial Intelligence through Neurosymbolic Policy Generation [2.43679682660038]
  VERAFIは、検証された金融インテリジェンスのためのニューロシンボリックポリシー生成のためのエージェントフレームワークである。 VERAFIは最先端の高密度検索とクロスエンコーダを、金融ツール対応エージェントと自動推論ポリシーと組み合わせている。
  論文  参考訳（メタデータ） (2025-12-12T17:17:43Z)
• Financial Instruction Following Evaluation (FIFE) [4.4409035166872135]
  金融分析タスクにおけるLM命令追従能力を評価するために設計された,新しい高精度なベンチマークであるFIFEを紹介する。 FIFEは88個の人為的なプロンプトから構成されており、細かな報酬信号に対してチェーン可能で検証可能な制約を持つ検証システムを採用している。 我々は、金融分野の強化学習の研究を促進するために、オープンソースリソースとしてデータセットとコードを公開します。
  論文  参考訳（メタデータ） (2025-12-01T00:39:19Z)
• FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting [58.70072722290475]
  ファイナンシャル・タイム・シリーズ(FinTS)は、人間の脳を増強した意思決定の行動を記録する。 FinTSBは金融時系列予測のための総合的で実用的なベンチマークである。
  論文  参考訳（メタデータ） (2025-02-26T05:19:16Z)
• FinLLM-B: When Large Language Models Meet Financial Breakout Trading [13.465954970263502]
  FinLLM-Bはファイナンシャル・ブレークアウト検出のための主要な言語モデルである。 我々は,大規模言語モデル,すなわち多段階構造のための新しいフレームワークを開発した。 GPT-3.5と比較して、FinLLM-Bは回答の平均精度を49.97%改善し、多段構造は9.72%改善に寄与した。
  論文  参考訳（メタデータ） (2024-02-12T10:04:07Z)
• Measuring Consistency in Text-based Financial Forecasting Models [10.339586273664725]
  FinTrustは財務文書の論理的一貫性を評価する評価ツールである。 金融予測のための最先端NLPモデルの整合性は乏しいことを示す。 意味保存による性能劣化の分析は,現在のテキストベースの手法が市場情報の堅牢な予測に適していないことを示唆している。
  論文  参考訳（メタデータ） (2023-05-15T10:32:26Z)

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。