論文の概要: A Training-Free, Alignment-Free Approach to Corporate Intelligence: Application to SEC Filings

• arxiv url: http://arxiv.org/abs/2609.11620v2
• Date: Sun, 13 Sep 2026 11:19:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:04.969177
• Title: A Training-Free, Alignment-Free Approach to Corporate Intelligence: Application to SEC Filings
• Title（参考訳）: コーポレートインテリジェンスに対するトレーニングフリー・アライメントフリーアプローチ:SECフィリングへの適用
• Abstract要約: 決定論的スパースシードベクトルに基づく企業インテリジェンスのためのトレーニングフリーでアライメントのないフレームワークを提案する。 単語文字列を固定された高次元のベースにすることで、すべての文書とすべての時間的エポックを共通座標系に配置し、トレーニングやアライメントの必要をなくす。 ボーイングの737 MAX危機、インテルのサプライチェーン破壊、バンジュのViterra買収など、企業における重要な出来事が、区別可能なセマンティックプロファイルとして現れていることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-dimensional dense text embeddings and large language models face real obstacles in financial-disclosure analysis: context-window limits, hallucination risk, high computational cost, and the arbitrary rotation of vector spaces across independently trained models. We present a training-free, alignment-free framework for corporate intelligence built on deterministic sparse seed vectors. Hashing word strings into a fixed high-dimensional basis places all documents and all temporal epochs in a common coordinate system by construction, removing any need for training or alignment. Accumulating these seed vectors across sentence contexts yields corpus-specific semantic signatures that compose linearly, supporting sub-second document comparison, issuer fingerprinting, tracking of how an issuer's vocabulary shifts between filings, and thematic sentence extraction, all on ordinary CPU hardware. Demonstrating the approach on a multi-year corpus of SEC filings (10-K, 10-Q, 8-K), we show how material corporate events, among them Boeing's 737 MAX crisis, Intel's supply-chain disruptions, and Bunge's acquisition of Viterra, emerge as distinct, interpretable semantic profiles, each traceable to the exact source sentences that produced it, with no domain-specific training and no LLM inference.
• Abstract（参考訳）: 高次元密度テキスト埋め込みと大規模言語モデルは、コンテキストウインドウ制限、幻覚リスク、高い計算コスト、独立に訓練されたモデル間のベクトル空間の任意の回転といった、財務情報開示分析において真の障害に直面している。 決定論的スパースシードベクトルに基づく企業インテリジェンスのためのトレーニングフリーでアライメントのないフレームワークを提案する。 単語文字列を固定された高次元のベースにすることで、すべての文書とすべての時間的エポックを共通座標系に配置し、トレーニングやアライメントの必要をなくす。 これらのシードベクトルを文コンテキストに蓄積すると、コーパス固有のセマンティックシグネチャが線形に構成され、サブ秒以下の文書比較、発行者の指紋認証、発行者の語彙が申請間でどのように変化するかの追跡、そしてすべての通常のCPUハードウェア上でのテーマ文抽出をサポートする。 SECの複数年にわたる申請(10-K, 10-Q, 8-K)に対するアプローチを実証し、Boeingの737 MAX危機、Intelのサプライチェーン破壊、およびB BungeによるViterraの買収が、ドメイン固有のトレーニングもLLM推論も行わずに、それを生成した正確なソース文にトレース可能な、独立した解釈可能なセマンティックプロファイルとして現れていることを示す。

関連論文リスト

• From transcription to semantic corpus analysis: unsupervised learning of sentence representations for ancient languages [0.0]
  本研究では,特殊トークンレベルの言語モデルをコーパス固有の文エンコーダに適応させる,教師なしの2つの戦略について検討する。 再利用識別を2つの個別評価タスク-バイナリ検出と対応検索に分解する。 適応エンコーダは両方のタスクで全てのベースラインを上回り、補完的なプロファイルを持つ。
  論文  参考訳（メタデータ） (2026-07-27T15:20:13Z)
• Weave of Formal Thought [51.56484100374058]
  WoFT(Weave of Formal Thought)は、厳密な構文的検証と学習された構造的表現を結合したパラダイムである。 本稿では,非終端文法記号を直接生成にインターリーブするために,言語モデルを訓練する潜時可変微調整法を提案する。 Pythonでは、RWS目的のStarCoder2-3Bを微調整することで、テキストのみのSFTベースラインと比較して、トーケン毎のクロスエントロピーが14.3%削減される。
  論文  参考訳（メタデータ） (2026-06-24T15:58:11Z)
• Scaling Multi-Hop Training Data via Graph-Constrained Path Selection [40.133031562641044]
  推論パスは文脈キーワードであるCentroidのグラフ上でオフラインに列挙され、教師は事前に検証されたパスにのみ呼び出される。 等訓練スケールでは、制約された鎖と制約のない鎖は区別不能な下流のパフォーマンスをもたらし、フルスケールでの利得は使用可能なコーパスの4.4$times$拡張から得られる。 Qwen3-32B CUAD法定契約コーパスから構築された80K のファインチューニングの Qwen3-32B は、クローズドブックの Token F1 を 21.66% から 38.58% に改善した。
  論文  参考訳（メタデータ） (2026-05-29T12:39:03Z)
• Job Skill Extraction via LLM-Centric Multi-Module Framework [51.37063712967151]
  本稿では,意味検索,文脈内学習,教師付き微調整を組み合わせたLLM中心のフレームワークであるSRICLを提案する。 SRICLは、6つの公的なスパンラベル付きジョブアド文のコーパスにおいて、GPT-3.5よりも相当なSTRICT-F1の改善を達成し、ベースラインを加速し、無効なタグと幻覚したスパンを激減する。
  論文  参考訳（メタデータ） (2026-04-23T10:46:07Z)
• Tokenization, Fusion and Decoupling: Bridging the Granularity Mismatch Between Large Language Models and Knowledge Graphs [20.946228883628013]
  我々は,効率的な全空間予測を実現するために専用エンティティトークンを使用する新しいフレームワークKGTを提案する。 まず、専用エンティティトークンのレベルで特徴表現を構築するために、特殊トークン化を導入します。 次に、事前学習された構造的特徴とテキスト的特徴を、関係誘導ゲーティング機構を介して統合された埋め込みに融合する。
  論文  参考訳（メタデータ） (2026-02-26T07:20:40Z)
• Unified Lexical Representation for Interpretable Visual-Language Alignment [52.059812317944434]
  複雑な設計をせずに両方のモダリティを統一した語彙表現を学習するためのフレームワークであるLexVLAを紹介する。 我々はDINOv2をローカル言語の特徴の視覚モデルとして使用し、生成言語モデルであるLlamaをテキスト内語彙予測能力の活用に利用した。 これら2つの事前学習されたユニモーダルモデルが、控えめなマルチモーダルデータセットを微調整することで、適切に整列できることを実証する。
  論文  参考訳（メタデータ） (2024-07-25T07:35:27Z)
• Towards Realistic Zero-Shot Classification via Self Structural Semantic Alignment [53.2701026843921]
  大規模事前訓練型視覚言語モデル(VLM)はゼロショット分類に有効であることが証明されている。 本稿では,アノテーションではなく,より広い語彙を前提とした,より難易度の高いゼロショット分類(Realistic Zero-Shot Classification)を提案する。 本稿では,ラベルのないデータから構造意味情報を抽出し,同時に自己学習を行う自己構造意味アライメント(S3A)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-24T17:56:46Z)
• Extracting Text Representations for Terms and Phrases in Technical Domains [9.27244202193623]
  そこで本研究では,大容量の事前学習組込み行列を再構築する目的で,小文字モデルを用いたテキスト符号化手法を提案する。 このアプローチでトレーニングされたモデルは、技術領域における文エンコーダの品質に適合するだけでなく、5倍小さく、最大10倍高速である。
  論文  参考訳（メタデータ） (2023-05-25T08:59:36Z)
• Evidence-Aware Inferential Text Generation with Vector Quantised Variational AutoEncoder [104.25716317141321]
  本稿では,大規模なテキストコーパスからイベントの証拠を自動的に発見し,その証拠を利用して推論テキストの生成を導く手法を提案する。 このアプローチは、Event2MindとATOMICの両方のデータセットで最先端のパフォーマンスを提供します。
  論文  参考訳（メタデータ） (2020-06-15T02:59:52Z)
• DeCLUTR: Deep Contrastive Learning for Unsupervised Textual Representations [4.36561468436181]
  教師なしテキスト表現のためのDeCLUTR: Deep Contrastive Learningを提案する。 本手法は,ユニバーサル文エンコーダにおける教師なしと教師なしの事前学習のパフォーマンスギャップを埋めるものである。 私たちのコードと事前訓練されたモデルは公開されており、新しいドメインに簡単に適応したり、目に見えないテキストを埋め込むのに使えます。
  論文  参考訳（メタデータ） (2020-06-05T20:00:28Z)
• Anchor & Transform: Learning Sparse Embeddings for Large Vocabularies [60.285091454321055]
  我々は,アンカー埋め込みとスパース変換行列の小さな組を学習する,単純で効率的な埋め込みアルゴリズムを設計する。 テキスト分類、言語モデリング、映画レコメンデーションのベンチマークでは、ANTは大きな語彙サイズに特に適していることが示されている。
  論文  参考訳（メタデータ） (2020-03-18T13:07:51Z)

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。