論文の概要: Hierarchical Reranking for Scalable Financial RAG System

• arxiv url: http://arxiv.org/abs/2607.27523v1
• Date: Wed, 29 Jul 2026 23:25:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.346057
• Title: Hierarchical Reranking for Scalable Financial RAG System
• Title（参考訳）: スケーラブル金融RAGシステムの階層化
• Abstract要約: 本稿では,大規模財務データセットにおける検索性能と生成信頼性の向上を目的としたRAGフレームワークである階層リランカを提案する。 提案システムは, NDCG@20スコア0.7918を達成し, より優れた事実整合性を示した。 この作業では、金融推論の正確性とスケーラビリティを両立させる、デプロイ可能なドメイン最適化RAGパイプラインを提供する。
• 参考スコア（独自算出の注目度）: 4.690968174645844
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Analyzing financial documents such as 10-K filings, tabular disclosures, and macroeconomic reports demands expert reasoning and extensive time. However, existing Retrieval-Augmented Generation systems often struggle to process hybrid text-table structures or the massive scale of financial documents. To address these challenges, we propose Hierarchical Reranker, a RAG framework designed to improve retrieval performance and generative reliability across large-scale financial datasets. The system integrates three key innovations: Pre-Retrieval Optimization, enhancing query clarity and search efficiency through normalization, keyword expansion, and table transformation; Hierarchical Reranker Architecture, improving retrieval precision through a two-stage ranking mechanism; and Long-Context Management, preserving reasoning accuracy through adaptive input partitioning and fusion under extensive contexts. Across multiple benchmarks, including FinQA, FinanceBench, and ConvFinQA, the proposed system achieved an NDCG@20 score of 0.7918 and demonstrated superior factual consistency. Its robustness was further validated by achieving second place in the ACM-ICAIF '24 FinanceRAG Challenge. This work presents a deployable, domain-optimized RAG pipeline that enhances both the accuracy and scalability of financial reasoning, paving the way for automated audit reporting and quantitative investment analysis. The source code will be made publicly available on GitHub upon acceptance.
• Abstract（参考訳）: 10-Kの申請、表の開示、マクロ経済報告などの財務書類の分析は、専門家の推論と広範な時間を要求する。 しかし、既存のRetrieval-Augmented Generationシステムは、しばしばハイブリッドテキストテーブル構造や大規模な財務文書の処理に苦労する。 これらの課題に対処するため,大規模財務データセットにおける検索性能と生成信頼性の向上を目的としたRAGフレームワークである階層リランカを提案する。 このシステムは,事前検索最適化,正規化,キーワード拡張,テーブル変換によるクエリの明確化,検索効率の向上,階層型リランカアーキテクチャ,2段階のランキング機構による検索精度の向上,適応的な入力分割と統合による推論精度の維持,コンテキスト管理という3つの重要なイノベーションを統合している。 FinQA, FinanceBench, ConvFinQA を含む複数のベンチマークにおいて,提案システムは NDCG@20 スコア 0.7918 を獲得し, より優れた事実整合性を示した。 ACM-ICAIF '24 FinanceRAG Challengeで2位を獲得した。 本研究は、金融推論の正確性とスケーラビリティを向上し、自動監査報告と量的投資分析の道を開く、デプロイ可能なドメイン最適化RAGパイプラインを提案する。 ソースコードはGitHubで公開され、受理される。

関連論文リスト

• 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)
• Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
  文書理解は、財務分析から科学的発見への応用に不可欠である。 現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。 Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
  論文  参考訳（メタデータ） (2025-10-17T02:33:16Z)
• VeritasFi: An Adaptable, Multi-tiered RAG Framework for Multi-modal Financial Question Answering [31.334698403426245]
  金融セクターにおける質問回答 (QA) には, RAG (Retrieval-Augmented Generation) がますます重要になっている。 We present VeritasFi, a innovative hybrid RAG framework that with a multi-modal preprocessing pipeline。 提案した設計を統合することで、VeritasFiは金融RAGシステムの適応性と堅牢性を大幅に向上する画期的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-10-12T22:45:24Z)
• Learning to Route: A Rule-Driven Agent Framework for Hybrid-Source Retrieval-Augmented Generation [55.47971671635531]
  大言語モデル(LLM)は、一般質問回答(QA)において顕著な性能を示した。 Retrieval-Augmented Generation (RAG)は、LLMを外部知識で強化することで、この制限に対処する。 既存のシステムは、主に構造化されていないドキュメントに依存しているが、主にリレーショナルデータベースを見下ろしている。
  論文  参考訳（メタデータ） (2025-09-30T22:19:44Z)
• Enhancing Financial RAG with Agentic AI and Multi-HyDE: A Novel Approach to Knowledge Retrieval and Hallucination Reduction [0.5814806132299305]
  我々は、金融レトリヴァル強化世代(RAG)のための枠組みを導入する。 RAGは、大規模で構造化された財務コーパスからの検索の有効性とカバレッジを高めるために、複数の無意味なクエリを生成する。 私たちのパイプラインはトークン効率と多段階の財務推論に最適化されています。
  論文  参考訳（メタデータ） (2025-09-19T19:24:30Z)
• FinGEAR: Financial Mapping-Guided Enhanced Answer Retrieval [8.717064717809974]
  FinGEAR (Financial Mapping-Guided Enhanced Answer Retrieval) は、金融文書に適した検索フレームワークである。 検索を開示構造と用語に整合させ、きめ細かいクエリ対応コンテキスト選択を可能にする。 F1は平坦なRAGで56.7%、グラフベースのRAGで12.5%、以前のツリーベースのシステムで217.6%向上している。
  論文  参考訳（メタデータ） (2025-09-15T15:25:26Z)
• FinAgentBench: A Benchmark Dataset for Agentic Retrieval in Financial Question Answering [57.18367828883773]
  FinAgentBenchは、ファイナンスにおける多段階推論によるエージェント検索を評価するためのベンチマークである。 このベンチマークは、S&P-500上場企業に関する26Kのエキスパートアノテート例から成っている。 我々は,最先端モデルの集合を評価し,対象の微調整がエージェント検索性能を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2025-08-07T22:15:22Z)
• Structuring the Unstructured: A Multi-Agent System for Extracting and Querying Financial KPIs and Guidance [54.25184684077833]
  構造化されていない財務文書から定量的な洞察を抽出する,効率的でスケーラブルな手法を提案する。 提案システムは,emphExtraction AgentとemphText-to-Agentの2つの特殊エージェントから構成される。
  論文  参考訳（メタデータ） (2025-05-25T15:45:46Z)
• 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)
• FinSage: A Multi-aspect RAG System for Financial Filings Question Answering [10.953520766530005]
  FinSageはマルチモーダルな事前処理パイプラインで、多様なデータフォーマットを統一し、メタデータの要約を生成する。 実験の結果、FinSageは75人の専門家による質問に対して92.51%の印象的なリコールを達成した。 FinSageは、すでに1200人以上が利用しているオンラインミーティングにおいて、財務的な質問応答エージェントとして成功している。
  論文  参考訳（メタデータ） (2025-04-20T04:58:14Z)
• Optimizing Retrieval Strategies for Financial Question Answering Documents in Retrieval-Augmented Generation Systems [5.712288463584192]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)における幻覚を緩和するための有望なフレームワークとして登場した。 本研究では,財務文書の検索を効率化する,効率的なエンドツーエンドRAGパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-03-19T13:21:49Z)

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。