論文の概要: When Summaries Distort Decisions: Information Fidelity in LLM-Compressed Financial Analysis
- arxiv url: http://arxiv.org/abs/2606.29251v1
- Date: Sun, 28 Jun 2026 07:44:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.857776
- Title: When Summaries Distort Decisions: Information Fidelity in LLM-Compressed Financial Analysis
- Title（参考訳）: LLM圧縮財務分析における情報忠実性
- Abstract要約: 資金圧縮は、原源が支持する投資判断を変えることができることを示す。
エージェントシステムでは、そのような損失は中間段階にまたがって発生し、決定過程を通じて増幅される。
本稿では,複数の候補圧縮を生成するエージェントコンテキスト圧縮を提案する。
- 参考スコア（独自算出の注目度）: 88.39399763902419
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Financial decision-makers face more information than they can directly inspect, making context compression necessary. Yet when large language models (LLMs) compress financial source material, they can alter the investment judgment supported by the original source. We frame this problem as information fidelity: compression loses fidelity when it changes the decision induced by the source. In agentic systems, such losses may recur across intermediate steps and amplify throughout the decision process. Across financial filings and earnings-call transcripts, we find that LLM-based compression can produce fluent and factually plausible compressed contexts that nevertheless alter downstream decisions. We analyze two diagnostic patterns associated with fidelity loss: decontextualization, where salient evidence is retained but separated from the caveats and contextual qualifiers needed for correct interpretation, and model dependency, where different compressors expose different views of the same source. We then propose Agentic Context Compression, which generates multiple candidate compressions and audits their disagreements against the original source. Our results suggest that financial compression should be evaluated not only by efficiency or factuality, but also by its ability to preserve decision-relevant context.
- Abstract（参考訳）: 金融意思決定者は直接検査できる以上の情報に直面し、コンテキスト圧縮を必要とします。
しかし,大規模言語モデル (LLM) が財源物質を圧縮する場合は,原源が支持する投資判断を変更することができる。
圧縮は、ソースによって引き起こされる決定を変更すると、忠実さを失う。
エージェントシステムでは、そのような損失は中間段階にまたがって発生し、決定過程を通じて増幅される。
財務書類や決算書の書き起こしなどを通じて、LLMベースの圧縮は、下流の意思決定を変えるような、流動的で現実的に妥当な圧縮コンテキストを生み出すことができる。
本稿では,不確定性喪失に関連する2つの診断パターンを解析する。 健全な証拠を保持するが, 正しい解釈に必要な注意点と文脈的資格化器とを分離するデコンテクスト化と, 異なる圧縮機が同一ソースの異なるビューを露呈するモデル依存性である。
次にエージェントコンテキスト圧縮を提案し、複数の候補圧縮を生成し、元のソースに対する不一致を監査する。
この結果から, 金融圧縮は, 効率性や事実性だけでなく, 意思決定関連文脈を維持できる能力によって評価されるべきであることが示唆された。
関連論文リスト
- Reading Is Not Using: Retrieval, Judgment, and the Design of AI Financial Research Workflows [7.410179371973137]
大規模言語モデル(LLM)は、財務開示を処理するためのAIアナリストとして、ますます多くデプロイされている。
長文財務分析における検索積分ギャップを同定する。
リスク開示が投資判断に与える影響は、実験的なノイズフロアに該当することがわかった。
論文 参考訳（メタデータ） (2026-08-25T17:31:25Z) - Diffuse to Compress: Leveraging Diffusion LMs for Lossless Compression [1.133608012542551]
本稿では,デジタルテキストデータの収集・保存の急激な増加を背景として,ロスレステキスト圧縮の問題点を考察する。
自己回帰型LLM手法の代替的推論パラダイムとして拡散言語モデル(DLM)を導入する。
論文 参考訳（メタデータ） (2026-08-04T08:19:31Z) - Quantifying the Sources of Instability in LLM-Based Stance Analysis of Public Discourse [4.093009863847175]
不安定性の2つの異なる源は、パイプラインが同じ入力から異なる出力を生成する際に生じる。
5つのドメインから41のパブリックフィギュアを対象とする256のYouTubeインタビューを用いて、2つの話者ダイアリゼーションパイプラインと2つの測定方法を比較した。
プレプロセスパイプラインの感度は、限られたビデオサンプルを持つ話者に集中していることがわかった。
論文 参考訳（メタデータ） (2026-07-12T17:15:36Z) - Lossless Prompt Compression via Dictionary-Encoding and In-Context Learning: Enabling Cost-Effective LLM Analysis of Repetitive Data [0.19780197369405136]
本稿では,大規模言語モデルを用いて,テキスト中のキーのエンコーディングを学習し,符号化された表現の分析を行うことができることを示す。
本稿では,複数長さの繰り返しパターンを識別する圧縮アルゴリズムを提案する。
このトレーニング不要のアプローチは、APIベースのLLMで動作し、基本的なデプロイメント制約に直接対処する。
論文 参考訳（メタデータ） (2026-03-19T21:05:53Z) - Rethinking Soft Compression in Retrieval-Augmented Generation: A Query-Conditioned Selector Perspective [21.41673002861847]
Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)を外部知識で効果的に構築する。
ソフトコンテクスト圧縮に関する最近の研究は、長い文書をコンパクトな埋め込みに符号化することでこの問題に対処することを目的としている。
本稿では,クエリ条件情報セレクタとしてのエンコーダの役割を再定義する,RAGのためのセレクタベースのソフト圧縮フレームワークであるSeleComを紹介する。
論文 参考訳（メタデータ） (2026-01-25T09:06:24Z) - Decomposed Trust: Exploring Privacy, Adversarial Robustness, Fairness, and Ethics of Low-Rank LLMs [2.1311014724439845]
低ランクの要因化が、プライバシー、敵の堅牢性、公正性、倫理的整合性にどのように影響するかを研究する。
低ランク圧縮は、トレーニングデータのプライバシを保護または改善するが、会話中のPII保護を弱める。
敵の強靭性は一般に保存され、しばしば強化される。
倫理的推論はゼロショット設定では劣化するが、ほとんどショットのプロンプトで部分的に回復する。
論文 参考訳（メタデータ） (2025-11-27T04:40:56Z) - Compression Hacking: A Supplementary Perspective on Informatics Properties of Language Models from Geometric Distortion [56.12939353271623]
幾何学的観点から、高度に圧縮されたLMのワード表現空間は、非常に異方性のある状態に縮退する傾向がある。
この同期性は基本的にLM表現におけるCompression Hacking''である。
幾何学的歪み解析を取り入れ, 自己評価パイプラインに統合することにより, 高精度な3つの圧縮指標を提案する。
論文 参考訳（メタデータ） (2025-05-23T12:11:03Z) - UNComp: Can Matrix Entropy Uncover Sparsity? -- A Compressor Design from an Uncertainty-Aware Perspective [85.08718140718707]
UNCompは不確実性を認識したフレームワークで、適応圧縮に使用できる空間パターンを明らかにする。
スパーシティパターンを詳細に分析する不確実性に注目して、UNCompはKVキャッシュサイズを4.74%に削減し、6%のプリフィルスピードアップを実現し、スループットを6.4倍改善した。
論文 参考訳（メタデータ） (2024-10-04T02:32:36Z) - QUITO-X: A New Perspective on Context Compression from the Information Bottleneck Theory [75.81394991657545]
問題をモデル化するために情報ボトルネック理論(IB)を導入する。
IBにおける相互情報に近似するクロスアテンションに基づく手法を提案する。
提案手法は,最先端技術と比較して25%の圧縮率向上を実現している。
論文 参考訳（メタデータ） (2024-08-20T02:44:45Z) - Beyond Perplexity: Multi-dimensional Safety Evaluation of LLM Compression [33.45167213570976]
モデル圧縮が4次元に与える影響について検討する:(1)退化障害、すなわち、世代におけるバイアスと毒性、(2)表現障害、すなわち、識別的タスクにおけるバイアス、(3)方言バイアス、(4)言語モデリングと下流タスクのパフォーマンス。
解析の結果,圧縮が予期せぬ結果をもたらすことが明らかとなった。
論文 参考訳（メタデータ） (2024-07-06T05:56:22Z) - Breaking the Communication-Privacy-Accuracy Tradeoff with
$f$-Differential Privacy [51.11280118806893]
サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。
有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。
より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
論文 参考訳（メタデータ） (2023-02-19T16:58:53Z) - Learning Scalable $\ell_\infty$-constrained Near-lossless Image
Compression via Joint Lossy Image and Residual Compression [118.89112502350177]
本稿では,$ell_infty$-constrained near-lossless image compressionを学習するための新しいフレームワークを提案する。
元の残差の学習確率モデルを定量化し、量子化残差の確率モデルを導出する。
論文 参考訳（メタデータ） (2021-03-31T11:53:36Z)
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。