Fugu-MT 論文翻訳(概要): RA-FinBERT: Rule-aware LoRA adaptation for low-resource financial sentiment classification

論文の概要: RA-FinBERT: Rule-aware LoRA adaptation for low-resource financial sentiment classification

arxiv url: http://arxiv.org/abs/2608.09834v1
Date: Mon, 10 Aug 2026 16:52:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-11 19:16:37.389968
Title: RA-FinBERT: Rule-aware LoRA adaptation for low-resource financial sentiment classification
Title（参考訳）: RA-FinBERT:低リソース財務感情分類のためのルール対応LoRA適応
Abstract要約: Rule-Aware FinBERT (RA-FinBERT) は、ローランク適応(LoRA)と3つの連続VADER由来の感情比率を統合するフレームワークである。 RA-FinBERTの精度は69.89%、マクロF1スコアは0.634であり、テキストのみのFinBERTは63.44%、0.526であった。
参考スコア（独自算出の注目度）: 8.831449509561043
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Financial sentiment analysis converts unstructured financial news into quantitative signals that can support market analysis and decision-making. Existing work on resource-efficient financial NLP has largely focused on compressing or adapting pretrained language models, with less attention to combining contextual representations with lightweight rule-derived features. This study develops Rule-Aware FinBERT (RA-FinBERT), a parameter-efficient framework that integrates low-rank adaptation (LoRA) with three continuous VADER-derived sentiment proportions (positive, negative, and neutral) and a source-level metadata feature. The standardized four-dimensional feature vector is directly concatenated with the 768-dimensional final-layer FinBERT [CLS] representation and passed through a lightweight classification head. This design introduces only 1,024 additional trainable weights relative to a structurally matched text-only FinBERT model. RA-FinBERT was evaluated against text-only FinBERT and a lightweight DistilBERT baseline for three-class sentiment classification of financial-news titles and descriptions. On the held-out test set, RA-FinBERT achieved 69.89% accuracy and a macro F1 score of 0.634, compared with 63.44% and 0.526 for text-only FinBERT. Neutral-class recall increased from 18.18% to 45.45%. The framework supports both CPU and GPU execution, offering a lightweight and practical approach to financial sentiment classification under constrained computational resources. These findings indicate that rule-derived sentiment information and source metadata can provide complementary signals to contextual FinBERT representations and improve performance with minimal additional model complexity.
Abstract（参考訳）: 金融感情分析は、構造化されていない金融ニュースを、市場分析と意思決定を支援する定量的なシグナルに変換する。既存の資源効率の高い金融NLPの研究は、事前訓練された言語モデルの圧縮や適応に重点を置いており、文脈表現と軽量なルール由来の機能の組み合わせにはあまり注意を払っていない。本研究は,低ランク適応(LoRA)と3つの連続VADER由来の感情比(正,負,中性)を統合したパラメータ効率のフレームワークであるルールアウェア・フィンバート(RA-FinBERT)と,ソースレベルのメタデータ機能を開発する。標準化された4次元特徴ベクトルは、768次元最終層FinBERT[CLS]表現と直接結合し、軽量な分類ヘッドを通過する。この設計では、構造的に一致したテキストのみのFinBERTモデルに対して、トレーニング可能な重量を1,024だけ導入している。 RA-FinBERTはテキストのみのFiinBERTと、ファイナンシャルニューズタイトルと記述の3クラス感情分類のための軽量なDistilBERTベースラインに対して評価された。 RA-FinBERTは69.89%の精度、マクロF1スコアは0.634で、テキストのみのFinBERTは63.44%、0.526であった。中流階級のリコールは18.18%から45.45%に増加した。このフレームワークはCPUとGPUの両方の実行をサポートし、制約された計算リソースの下での金銭的感情分類に対する軽量で実用的なアプローチを提供する。これらの結果から、ルール由来の感情情報とソースメタデータは、文脈的FinBERT表現に補完的な信号を与え、最小限のモデル複雑さで性能を向上させることが示唆された。

関連論文リスト

Beyond Sentiment: Structured Information Extraction from Financial News [5.502693922654938]
FinBERTの感情特性は非線形モデルの下で強い予測力を示す。ニュースを1つの感情スコアに圧縮すると、かなりの情報を失うことがわかりました。
論文参考訳（メタデータ） (2026-07-30T16:41:55Z)
Agentic Retrieval-Augmented Generation for Financial Document Question Answering [7.56842616602779]
FinAgent-RAGは、反復的な検索推論ループを自己組織化してオーケストレーションするエージェントRAGフレームワークである。コントラシティブ・ファイナンシャル・レトリバー(Contrastive Financial Retriever)は、意味的には似ているが数値的に異なる金融パスを区別するために、厳しい負の採掘で訓練されたコントラシティブ・ファイナンシャル・レトリバーを統合している。 76.81%、78.46%、74.96%の精度で最強のベースラインを5.62-9.32ポイント上回っている。
論文参考訳（メタデータ） (2026-05-06T19:59:51Z)
FinCriticalED: A Visual Benchmark for Financial Fact-Level OCR Evaluation [45.16693985619424]
FinCriticalEDは、財務文書のOCRおよびビジョン言語モデルを評価するためのビジュアルベンチマークである。 FinCriticalEDは500のイメージとHTMLのペアを提供し、700以上の数値と時間的事実をカバーする、専門家の注釈付き財務事実を提供する。
論文参考訳（メタデータ） (2025-11-19T00:41:14Z)
FinAI-BERT: A Transformer-Based Model for Sentence-Level Detection of AI Disclosures in Financial Reports [6.324803752309524]
本研究では,FinAI-BERTについて紹介する。FinAI-BERTはドメイン適応トランスフォーマーに基づく言語モデルで,文レベルでのAI関連コンテンツを財務テキストに分類する。このモデルは、米国の銀行の年間報告669件から抽出された1,586文の、手動でキュレートされバランスの取れたデータセットに基づいて微調整された。
論文参考訳（メタデータ） (2025-06-29T09:33:29Z)
FinChain: A Symbolic Benchmark for Verifiable Chain-of-Thought Financial Reasoning [82.7292329605713]
FinChainは、ファイナンスにおける検証可能なChain-of-Thought評価のために特別に設計された最初のベンチマークである。 12の金融ドメインに58のトピックがあり、それぞれがパラメータ化されたシンボリックテンプレートと実行可能なPythonトレースで表現されている。 FinChainは、多段階の財務推論における永続的な弱点を明らかにし、信頼できる、解釈可能な、検証可能な金融AIを開発するための基盤を提供する。
論文参考訳（メタデータ） (2025-06-03T06:44:42Z)
FinBERT2: A Specialized Bidirectional Encoder for Bridging the Gap in Finance-Specific Deployment of Large Language Models [24.430050834440998]
FinBERT2は、32bトークンの高品質な財務特化コーパスで事前訓練された、特殊な双方向エンコーダである。差別的微調整モデル(Fin-Labelers)は、他の(Fin)BERTモデルよりも0.4%-3.3%、LLMを9.7%-12.3%、財務分類5つのタスクで上回っている。 Fin-TopicModelは、金融タイトルの優れたクラスタリングとトピック表現を可能にする。
論文参考訳（メタデータ） (2025-05-31T13:59:44Z)
FinTagging: Benchmarking LLMs for Extracting and Structuring Financial Information [47.37027539828975]
FinTaggingは構造認識とフルスコープのための最初の包括的なベンチマークである。タグ付け数値識別用FinNIは、数値エンティティとそのタイプを抽出する。財務報告概念リンクのためのFinCLは、抽出された各実体を米国の完全な分類学における対応する概念にマッピングする。
論文参考訳（メタデータ） (2025-05-27T02:55:53Z)
AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
論文参考訳（メタデータ） (2024-03-19T09:45:33Z)
FinBen: A Holistic Financial Benchmark for Large Language Models [75.09474986283394]
FinBenは、24の財務タスクにまたがる36のデータセットを含む、最初の大規模なオープンソース評価ベンチマークである。 FinBenは、幅広いタスクとデータセット、ストックトレーディングの最初の評価、新しいエージェントと検索可能な生成(RAG)の評価、およびテキスト要約、質問応答、株式トレーディングのための3つの新しいオープンソース評価データセットを提供する。
論文参考訳（メタデータ） (2024-02-20T02:16:16Z)
Enabling and Analyzing How to Efficiently Extract Information from Hybrid Long Documents with LLMs [48.87627426640621]
本研究は,財務報告から重要な情報を理解するために,大規模言語モデルの可能性を活用することに焦点を当てる。財務報告から情報を理解し抽出するLLMの能力を高める自動財務情報抽出フレームワークを提案する。本フレームワークは, GPT-3.5とGPT-4で有効に検証され, 平均精度は53.94%, 33.77%向上した。
論文参考訳（メタデータ） (2023-05-24T10:35:58Z)
BloombergGPT: A Large Language Model for Finance [42.73350054822628]
我々は、幅広い財務データに基づいて訓練された500億のパラメータ言語モデルであるBloombergGPTを提示する。 Bloombergの広範囲なデータソースに基づいて,汎用データセットから345億のトークンを付加した,363億のトークンデータセットを構築しました。我々の混合データセットトレーニングは、財務タスクにおける既存のモデルをかなりのマージンで上回るモデルにつながります。
論文参考訳（メタデータ） (2023-03-30T17:30:36Z)
FinBERT-MRC: financial named entity recognition using BERT under the machine reading comprehension paradigm [8.17576814961648]
我々はFinNERタスクを機械読解(MRC)問題として定式化し、FinBERT-MRCと呼ばれる新しいモデルを提案する。この定式化は、よく設計されたクエリを利用して重要な事前情報を導入し、ターゲットエンティティの開始インデックスと終了インデックスを抽出する。我々は,中国の財務データセットChFinAnnと実単語データセットAdminPunishについて実験を行った。
論文参考訳（メタデータ） (2022-05-31T00:44:57Z)

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。