論文の概要: Fin_Agent at FinEval 2026: Task-Aware Methods for Multilingual Financial NLP

• arxiv url: http://arxiv.org/abs/2610.14101v1
• Date: Thu, 08 Oct 2026 20:14:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 23:16:43.74945
• Title: Fin_Agent at FinEval 2026: Task-Aware Methods for Multilingual Financial NLP
• Title（参考訳）: Fin_Agent at FinEval 2026: Task-Aware Methods for Multilingual Financial NLP
• Abstract要約: Fin_Agentはギリシャの金融名義認識、日本語の暗黙のコミュニケーション認識、多言語の金融クエスト応答に対処する。 主な制限には、データセット固有のルール、手作りのキュー、限定的な監視が含まれる。
• 参考スコア（独自算出の注目度）: 4.258175645355976
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present Fin_Agent, our submission to the FinEval 2026 shared task on multilingual fi nancial language understanding. Our sys tems address Greek financial named-entity recognition, Japanese implicit communication recognition, and multilingual financial ques tion answering. For Greek NER, we com bine annotation-aware numeric rules with zero shot Qwen2.5-32B classification, achieving 0.9521 public F1 and 0.8884 private F1. For Japanese implicit communication, an inter pretable cue-based ordinal scorer achieves 98.0% test accuracy. For multilingual financial QA, BGE-M3retrieval with Qwen3-32B gen eration achieves 0.3023 and 0.3419 ROUGE-1 F1 on the public and private splits. Key limita tions include dataset-specific rules, handcrafted cues, and limited supervision. Implementa tion code is available https://github.com/ Rashidnira/finagent-fineval-2026.
• Abstract（参考訳）: 我々はFin_Agentについて紹介する。FinEval 2026の共有タスクであるFin_Agentについて述べる。 我々のsys temsはギリシャ語の財務名義認識、日本語の暗黙のコミュニケーション認識、多言語による財務質問応答に対処する。 ギリシアのNERでは、0ショットのQwen2.5-32Bの分類で、0.9521のパブリックF1と0.8884のプライベートF1のアノテーションを意識した数値ルールを合成する。 日本語の暗黙通信では、予測されたキューベースの順序スコアラが98.0%のテスト精度を達成する。 多言語財務QAでは、Qwen3-32B gen eration による BGE-M3retrieval は、パブリックスプリットとプライベートスプリットで 0.3023 と 0.3419 ROUGE-1 F1 を達成する。 主な制限には、データセット固有のルール、手作りのキュー、限定的な監視が含まれる。 Implementa tion code は https://github.com/ Rashidnira/finagent-fineval-2026 で利用可能である。

関連論文リスト

• IGT @ FinMMEval 2026 Task 2: Question-Type Prompting with Targeted Extraction for Multilingual Financial QA [0.0]
  PolyFiQA Task 2は、英語のSEC(証券取引委員会)の申請書と多言語ニュース記事に対する多言語対応タスクである。 中心的な見解として, 344 の展開課題は, 根本的に異なるアプローチを必要とする 2 つのファミリーに分けられる。 データセット分析により、合成タイプごとに19の接地真実参照回答のうち17-18が、正確な証拠ラベルのプレフィックスを共有していることが明らかになった。 最終システムは、ROUGE-1の開発を約0.395で達成し、RAGベースラインに対する60%の相対的な改善を実現した。
  論文  参考訳（メタデータ） (2026-09-08T02:23:31Z)
• Overview of FinMMEval 2026 Task 1: Multilingual Financial Multiple-Choice Question Answering [59.67537254067838]
  FinMMEval 2026 Task 1は、英語、中国語、アラビア語、ヒンディー語で、多言語による財務多目的質問の回答を評価する。 最終テストセットには800の質問と言語毎の200の質問が含まれており、各言語は正確さで独立してランク付けされている。 トップアキュラティはヒンディー語で92.0%から英語とアラビア語で97.5%までで、同じトップチームは4つの言語でトップに近づいた。
  論文  参考訳（メタデータ） (2026-07-22T07:43:44Z)
• The CLEF-2026 FinMMEval Lab: Multilingual and Multimodal Evaluation of Financial AI Systems [54.12165004393043]
  FinMMEval 2026は、財務的理解、推論、意思決定にまたがる3つの相互接続タスクを提供する。 このラボは、堅牢で透明でグローバルに包括的な金融AIシステムの開発を促進することを目的としている。
  論文  参考訳（メタデータ） (2026-02-11T14:14:06Z)
• NMIXX: Domain-Adapted Neural Embeddings for Cross-Lingual eXploration of Finance [34.00870877634332]
  汎用文埋め込みモデルは、しばしば専門的な財務意味論を捉えるのに苦労する。 NMIXXは18.8Kの高信頼三重項を微調整した言語間埋め込みモデルのスイートである。 KorFinSTSもリリースしています。これはニュース、開示、調査レポート、規制にまたがるベンチマークです。
  論文  参考訳（メタデータ） (2025-07-13T12:14:57Z)
• MultiFinBen: Benchmarking Large Language Models for Multilingual and Multimodal Financial Application [118.63802040274999]
  MultiFinBen は、現実的な財務状況下で LLM を評価するための、最初のエキスパートアノテーション付き多言語(5言語)およびマルチモーダルベンチマークである。 財務理由付けテストは、書類やニュースと統合された言語間のエビデンスと、スキャンされた文書から構造化されたテキストを抽出する財務OCRである。 21個のLLMを評価したところ、GPT-4oのようなフロンティアのマルチモーダルモデルでさえ、視力とオーディオが強く、多言語設定では急激に低下するが、全体の46.01%しか達成していないことが示されている。
  論文  参考訳（メタデータ） (2025-06-16T22:01:49Z)
• FinNLI: Novel Dataset for Multi-Genre Financial Natural Language Inference Benchmarking [7.091661099911842]
  FinNLIは21,304対で構成され、財務の専門家が注釈付けした3,304インスタンスの高品質なテストセットを含んでいる。 プレトレーニング(PLM)と大規模言語モデル(LLM)の最高スコアはそれぞれ74.57%と78.62%である。
  論文  参考訳（メタデータ） (2025-04-22T18:25:17Z)
• COMI-LINGUA: Expert Annotated Large-Scale Dataset for Multitask NLP in Hindi-English Code-Mixing [1.2242530642524063]
  COMI-lingUAは、ヒンディー語と英語のコード混成データセットとしては最大である。 5つのコアNLPタスクにわたる125K以上の高品質なインスタンスで構成されている。 各インスタンスには3つのバイリンガルアノテーションがアノテートされ、376K以上の専門家アノテーションが生成される。
  論文  参考訳（メタデータ） (2025-03-27T16:36:39Z)
• Open-FinLLMs: Open Multimodal Large Language Models for Financial Applications [88.96861155804935]
  オープンソースのマルチモーダル金融 LLM である textitOpen-FinLLMs を紹介する。 FinLLaMAは52ビリオンのトーケンコーパス、FinLLaMA-Instructは573Kの財務命令で微調整され、FinLLaVAは1.43Mのマルチモーダルチューニングペアで強化されている。 我々は、14の財務タスク、30のデータセット、および4つのマルチモーダルタスクにわたるOpen-FinLLMをゼロショット、少数ショット、教師付き微調整設定で評価した。
  論文  参考訳（メタデータ） (2024-08-20T16:15:28Z)
• FinGPT: Large Generative Models for a Small Language [48.46240937758779]
  我々は、世界の人口の0.1%未満で話されるフィンランド語のための大きな言語モデル(LLM)を作成します。 我々は、FinGPTと呼ばれる7つの単言語モデル(186Mから13Bパラメータ)をスクラッチからトレーニングする。 我々は、元のトレーニングデータとフィンランド語を混合した多言語BLOOMモデルの事前訓練を継続し、その結果、176億のパラメータモデルをBLUUMIと呼ぶ。
  論文  参考訳（メタデータ） (2023-11-03T08:05:04Z)

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。