論文の概要: Benchmarking Generalization in Financial Statement Fraud Detection: robust evaluation and novel tasks

• arxiv url: http://arxiv.org/abs/2607.19259v1
• Date: Tue, 21 Jul 2026 16:32:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.488941
• Title: Benchmarking Generalization in Financial Statement Fraud Detection: robust evaluation and novel tasks
• Title（参考訳）: ファイナンシャル・ステートメント・フレイド検出におけるベンチマークの一般化--ロバストな評価と新しい課題
• Abstract要約: 本稿では,Large Language Models (LLMs) を利用したFSFDフレームワークを提案する。 我々は、財務諸表、要約MD&Aテキスト、不正ラベルを組み合わせた総合的な米国企業のデータセットを構築し、公開する。 提案手法は,CI-FSFDタスクにおいて,テキストデータの臨界値と信頼性の高い不正検出のための堅牢な評価を実証し,最高の性能を実現する。
• 参考スコア（独自算出の注目度）: 7.094237287509504
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Financial statement fraud detection (FSFD) is crucial for market integrity but faces challenges from increasingly sophisticated schemes and under-utilized textual data in financial reports. Existing methods often rely on random data splits, leading to overoptimistic performance estimates that do not reflect real-world generalization to new companies or future periods. To address this recurring problem with the state of the art, we propose a robust FSFD framework leveraging Large Language Models (LLMs) to integrate both structured financial data and unstructured textual information from financial reports. We provide a more realistic evaluation through a novel and challenging benchmark task called Company-Isolated FSFD (CI-FSFD). We construct and make publicly available a comprehensive U.S. company dataset combining financial statements, summarized MD&A text, and fraud labels. Our approach achieves the best performance on the challenging CI-FSFD task, demonstrating the critical value of textual data and robust evaluation for reliable financial fraud detection.
• Abstract（参考訳）: ファイナンシャルステートメント不正検出(FSFD)は市場の整合性には不可欠だが、金融レポートの高度なスキームや未使用のテキストデータによる課題に直面している。 既存の手法は、しばしばランダムなデータ分割に依存しており、新しい企業や将来の時代への現実の一般化を反映しない、過度に最適化されたパフォーマンス推定をもたらす。 そこで本稿では, 大規模言語モデル(LLM)を活用して, 財務報告から得られた構造化財務データと非構造化文書情報の両方を統合する, 頑健なFSFDフレームワークを提案する。 企業分離SFD(CI-FSFD)と呼ばれる,新規で困難なベンチマークタスクを通じて,より現実的な評価を行う。 我々は、財務諸表、要約MD&Aテキスト、不正ラベルを組み合わせた総合的な米国企業のデータセットを構築し、公開する。 提案手法は,CI-FSFDタスクにおいて,テキストデータの臨界値と信頼性の高い財務不正検出のための堅牢な評価を実証し,最高の性能を実現する。

関連論文リスト

• Fact4ac at the Financial Misinformation Detection Challenge Task: Reference-Free Financial Misinformation Detection via Fine-Tuning and Few-Shot Prompting of Large Language Models [4.8239913268889]
  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。
  論文  参考訳（メタデータ） (2026-04-16T05:38:58Z)
• 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)
• FinSight: Towards Real-World Financial Deep Research [68.31086471310773]
  FinSightは、高品質でマルチモーダルな財務報告を作成するための新しいフレームワークである。 プロフェッショナルグレードの可視化を確保するため,反復視覚強調機構を提案する。 2段階のBinging Frameworkは、簡潔な分析セグメントをコヒーレント、引用認識、マルチモーダルレポートに拡張する。
  論文  参考訳（メタデータ） (2025-10-19T14:05:35Z)
• FAITH: A Framework for Assessing Intrinsic Tabular Hallucinations in Finance [3.565466729914703]
  金融に大規模言語モデル(LLM)をデプロイする上で、幻覚は依然として重要な課題である。 金融LLMにおける内因性幻覚を評価するための厳密でスケーラブルなフレームワークを開発する。 私たちの仕事は、より信頼性が高く信頼性の高い財務生成AIシステムを構築するための重要なステップとして役立ちます。
  論文  参考訳（メタデータ） (2025-08-07T09:37:14Z)
• FinS-Pilot: A Benchmark for Online Financial RAG System [21.64301644235658]
  FinS-Pilotはオンライン金融アプリケーションにおけるRAGシステム評価のための新しいベンチマークである。 我々のベンチマークでは、インテント分類フレームワークによって編成されたリアルタイムAPIデータとテキストデータの両方が組み込まれている。 本研究は,金融NLPシステムの研究を進めるための,実践的評価フレームワークとデータセットの両立に寄与する。
  論文  参考訳（メタデータ） (2025-05-31T03:50:19Z)
• FinDER: Financial Dataset for Question Answering and Evaluating Retrieval-Augmented Generation [65.04104723843264]
  ファイナンスにおけるRetrieval-Augmented Generation(RAG)に適したエキスパート生成データセットであるFinDERを提案する。 FinDERは、ドメインの専門家による検索関連証拠の注釈付けに重点を置いており、5,703のクエリ・エビデンス・アンサー・トリプルを提供している。 大きなコーパスから関連する情報を取得するためにモデルに挑戦することで、FinDERはRAGシステムを評価するためのより現実的なベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-04-22T11:30:13Z)
• 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)
• PIXIU: A Large Language Model, Instruction Data and Evaluation Benchmark for Finance [63.51545277822702]
  PIXIUは、命令データ付き微調整LLaMAに基づく最初の金融大規模言語モデル(LLM)を含む包括的なフレームワークである。 我々はLLaMAを細調整してFinMAを提案する。 我々は、FinMAと既存のLLMを詳細に分析し、重要な財政課題に対処する際の長所と短所を明らかにする。
  論文  参考訳（メタデータ） (2023-06-08T14:20:29Z)
• 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)
• FinQA: A Dataset of Numerical Reasoning over Financial Data [52.7249610894623]
  我々は、大量の財務文書の分析を自動化することを目的として、財務データに関する深い質問に答えることに重点を置いている。 我々は,金融専門家が作成した財務報告に対して質問回答のペアを用いた,新たな大規模データセットFinQAを提案する。 その結果、人気があり、大規模で、事前訓練されたモデルは、金融知識を得るための専門的な人間には程遠いことが示される。
  論文  参考訳（メタデータ） (2021-09-01T00:08:14Z)

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。