論文の概要: Benchmarking Embedding Models for ESG Data

• arxiv url: http://arxiv.org/abs/2609.15434v1
• Date: Mon, 14 Sep 2026 11:59:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.305177
• Title: Benchmarking Embedding Models for ESG Data
• Title（参考訳）: ESGデータのための埋め込みモデルのベンチマーク
• Abstract要約: 埋め込みモデルは、非構造化ESGテキストを数値表現に変換するための強力なアプローチとして登場した。 我々は、オープンソースとクローズドソースの埋め込みモデルの両方で14のモデルをベンチマークし、検索と検索のパフォーマンスを比較し、Retrieval-Augmented Generation (RAG) を比較した。 結果は、Qwen3ベースのモデルが全体的なパフォーマンスを最高に達成している、さまざまなモデルのパフォーマンスのバリエーションを示している。
• 参考スコア（独自算出の注目度）: 0.5708902722746041
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The use of Environmental, Social, and Governance (ESG) data is fundamental for modern corporate accountability, sustainability reporting, and financial decision-making. Embedding models have emerged as a powerful approach for transforming unstructured ESG text into numerical representations suitable for downstream natural language processing (NLP) tasks. However, their effectiveness in these ESG-specific tasks has not been systematically studied. In this paper, we construct a benchmark dataset specifically tailored to the ESG domain. We benchmark fourteen models, both open-source and closed-source embedding models, comparing their performance with respect to retrieval, and Retrieval-Augmented Generation (RAG). The results demonstrate performance variations across different models, with Qwen3-based models achieving the highest overall performance. This study provides practical insights into which models are better suited for ESG RAG tasks.
• Abstract（参考訳）: 環境・社会・ガバナンス(ESG)データの利用は、現代の企業説明責任、持続可能性報告、財務決定に不可欠である。 埋め込みモデルは、非構造化ESGテキストを下流自然言語処理(NLP)タスクに適した数値表現に変換するための強力なアプローチとして登場した。 しかしながら、これらのESG固有のタスクにおけるそれらの効果は体系的に研究されていない。 本稿では,ESGドメインに適したベンチマークデータセットを構築する。 オープンソースの埋め込みモデルとクローズドな埋め込みモデルの両方で14種類のモデルをベンチマークし、検索性能を比較検討し、Retrieval-Augmented Generation (RAG) と比較した。 結果は、Qwen3ベースのモデルが全体的なパフォーマンスを最高に達成している、さまざまなモデルのパフォーマンスのバリエーションを示している。 本研究は,ESG RAGタスクに適したモデルについて,実用的な知見を提供する。

関連論文リスト

• From Insight to Action: A Novel Framework for Interpretability-Guided Data Selection in Large Language Models [73.72877445629383]
  Interpretability-Guided Data Selection (IGDS) は、まず周波数リコールと干渉フィルタリングによって因果タスクの特徴を識別するフレームワークである。 我々は,数学的推論,要約,翻訳タスクに関するIGDSをGemma-2,LLaMA-3.1,Qwen3モデルで検証する。
  論文  参考訳（メタデータ） (2026-04-28T03:16:24Z)
• Predict the Retrieval! Test time adaptation for Retrieval Augmented Generation [66.36556189794526]
  TTARAGは、特殊ドメインにおけるRAGシステム性能を改善するために、推論中に言語モデルのパラメータを動的に更新するテスト時適応手法である。 提案手法では,モデルが検索した内容の予測を学習し,対象領域への自動パラメータ調整を可能にする。
  論文  参考訳（メタデータ） (2026-01-16T17:07:01Z)
• GEO-Bench-2: From Performance to Capability, Rethinking Evaluation in Geospatial AI [52.13138825802668]
  GeoFMは地球観測を変革しているが、評価には標準化されたプロトコルが欠けている。 GEO-Bench-2は、分類、セグメンテーション、回帰、オブジェクト検出、インスタンスセグメンテーションにまたがる包括的なフレームワークでこの問題に対処する。 GEO-Bench-2のコード、データ、およびリーダーボードは、パーミッシブライセンスの下で公開されている。
  論文  参考訳（メタデータ） (2025-11-19T17:45:02Z)
• GLiDRE: Generalist Lightweight model for Document-level Relation Extraction [1.8628821924525962]
  文書レベルの関係抽出のための新しいコンパクトモデルであるGLiDREを導入する。 低リソースの教師付きトレーニングと数ショットのメタラーニングベンチマークの両方の実験は、我々のアプローチがデータ制約のあるシナリオにおいて既存の手法よりも優れていることを示している。 私たちのコードは公開されます。
  論文  参考訳（メタデータ） (2025-08-01T16:33:13Z)
• Language Model Preference Evaluation with Multiple Weak Evaluators [89.90733463933431]
  PGEDは,複数のモデルに基づく評価器を用いて嗜好グラフを構築し,非循環的非競合性評価結果に対してこれらのグラフをアンサンブルし,デノテーズする手法である。 1)評価のためのモデルランキング、2)テスト時間スケーリングのための応答選択、3)モデル微調整のためのデータ選択である。
  論文  参考訳（メタデータ） (2024-10-14T01:57:25Z)
• Evaluating the performance of state-of-the-art esg domain-specific pre-trained large language models in text classification against existing models and traditional machine learning techniques [0.0]
  本研究では,テキスト開示における環境・社会・ガバナンス情報(ESG)の分類について検討する。 本研究の目的は,E,S,G関連コンテンツをそれぞれ正確に識別・分類できるバイナリ分類モデルを開発し,評価することである。 この研究の動機は、投資決定におけるESGの考慮と企業説明責任の増大に起因している。
  論文  参考訳（メタデータ） (2024-09-30T20:08:32Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• GLoRE: Evaluating Logical Reasoning of Large Language Models [20.77694584450457]
  GLoREは、多様なデータセットを統合し、それらを大きな言語モデルを評価するための統一フォーマットに標準化するプラットフォームである。 実験結果から,OpenAIのo1 miniやDeepSeek R1,QwQ-32Bといった大規模推論モデルの論理的推論能力は,人体の性能と教師付き微調整モデルと比較して著しく向上したことがわかった。
  論文  参考訳（メタデータ） (2023-10-13T13:52:15Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Adaptive Fine-Grained Predicates Learning for Scene Graph Generation [122.4588401267544]
  一般的なシーングラフ生成(SGG)モデルは、頭部の述語を予測する傾向があり、再バランス戦略は尾のカテゴリを好む。 本稿では,SGGの難解な述語を識別することを目的とした適応的微粒述語学習(FGPL-A)を提案する。 提案したモデル非依存戦略は,VG-SGGおよびGQA-SGGデータセットのベンチマークモデルの性能を最大175%,Mean Recall@100では76%向上させ,新たな最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-07-11T03:37:57Z)

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。