論文の概要: FinSafeGuard: A Quality-Driven Synthetic Dataset for Financial AI Safety

• arxiv url: http://arxiv.org/abs/2610.26066v1
• Date: Mon, 19 Oct 2026 09:25:28 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:32:14.148145
• Title: FinSafeGuard: A Quality-Driven Synthetic Dataset for Financial AI Safety
• Title（参考訳）: FinSafeGuard: 金融AI安全のための品質駆動型合成データセット
• Abstract要約: 632,000のシナリオ仕様の構造化分類から、品質フィルターによる1430万のトレーニング例を作成した。 当社の4段階のパイプラインは、合成データ品質、多様性、リアリズムにおいて重要な課題を、広告フィルターで処理しています。 完全なパイプラインは26.4Mのサンプルを14.3Mの高信頼のサンプルに還元する。
• 参考スコア（独自算出の注目度）: 0.062914438169038
• License:
• Abstract: Generating high-quality synthetic datasets at scale remains a fundamental challenge for training specialized AI systems in data-scarce domains. We present a comprehensive methodology that produces 14.3 million quality-filtered synthetic training examples from a structured taxonomy of 632,000 scenario specifications. Our four-stage pipeline ad- dresses critical challenges in synthetic data quality, diversity, and realism through: (1) systematic pre-generation research establishing optimal generation parameters via diminishing returns analysis, (2) conditional auto evolution mechanisms that remediate low-diversity batches during generation, (3) a two-layer semantic deduplication architecture combining lexical and embedding-based methods, and (4) LLM-as-Judge quality evaluation filtering samples based on behavioral correctness and tuple fidelity. Empirical analysis across three domains (Banking, Insurance, Financial Services) demonstrates domain-specific deduplication patterns ranging from 9.9% to 40.6%, with output generation modes exhibiting highest redundancy. Our batch size optimization reveals mode-specific diversity saturation thresholds, enabling principled allocation strategies. The complete pipeline reduces 26.4M raw samples to 14.3M high-confidence examples through merge (20.9% reduction), semantic deduplication (18.7% reduction), and quality-based filtering (15.9% reduction), providing a reproducible framework for domain-specific synthetic data generation with rigorous quality control.
• Abstract（参考訳）: 高品質な合成データセットを大規模に生成することは、データスカースドメインで専門的なAIシステムを訓練する上で、依然として根本的な課題である。 632,000のシナリオ仕様を構造化した分類法から,143万件の品質フィルターによる総合的学習例を作成した。 提案する4段階のパイプラインは, 合成データ品質, 多様性, リアリズムにおける重要な課題を(1) 回帰リターン分析による最適生成パラメータの体系化, (2) 生成中の低多様性バッチを更新する条件付き自動進化機構,(3) 語彙的および埋め込み的手法を組み合わせた2層セマンティックデデューズアーキテクチャ,(4) LLM-as-Judge品質評価において, 振舞いの正しさとタプル忠実度に基づくフィルタリングを行う。 3つのドメイン(銀行、保険、金融サービス)にまたがる実証分析では、ドメイン固有の重複パターンは9.9%から40.6%で、出力生成モードは高い冗長性を示す。 我々のバッチサイズ最適化は、モード固有の多様性飽和しきい値を示し、原則化されたアロケーション戦略を可能にします。 完全なパイプラインは26.4Mのサンプルを、マージ(20.9%の削減)、セマンティックデデューズ(18.7%の削減)、品質ベースのフィルタリング(15.9%の削減)を通じて14.3Mの高信頼のサンプルに還元し、厳密な品質制御を備えたドメイン固有の合成データ生成のための再現可能なフレームワークを提供する。

関連論文リスト

• Towards Robust Time Series Learning via Capacity-Centric Modulation [76.23489485385964]
  本稿では,CCM(Capacity-Centric Modulation)を相補的,サンプル適応正規化原理として提案する。 SACM(Sample-Adaptive Capacity Modulation)は,スペクトル空間の分散を利用して,サンプルワイドドロップアウト確率を割り当てるタスク非依存のフレームワークである。 301個の実世界のデータセット-バックボーンペアのうち、SACMは平均でMSEの予測を6.7%削減し、分類精度を3.04%改善し、ポイント調整されたF1を17.05%改善した。
  論文  参考訳（メタデータ） (2026-09-30T10:51:23Z)
• Reinforcement-Guided Synthetic Data Generation for Privacy-Sensitive Identity Recognition [60.52810518437911]
  高忠実度生成モデルは、プライバシーに敏感なシナリオでますます必要とされている。 限られたデータによって生成モデルは貧弱になり、データ不足を軽減できない。 汎用ドメイン生成の先行を識別タスクに適応させる,強化誘導型合成データ生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-09T06:52:03Z)
• Synthetic Mixed Training: Scaling Parametric Knowledge Acquisition Beyond RAG [56.95387658211215]
  本稿では,合成QAと合成文書を組み合わせた合成混合訓練について紹介する。 これにより、合成データボリュームとジェネレータ強度が増大するにつれて、ログリニアの改善が可能になる。 モデルとベンチマーク全体を通じて、トレーニングにより、モデルがRAGを6つの設定のうち5つで上回り、パフォーマンスが2.6%向上し、RAGと組み合わせると9.1%向上する。
  論文  参考訳（メタデータ） (2026-03-24T04:32:48Z)
• Towards Syn-to-Real IQA: A Novel Perspective on Reshaping Synthetic Data Distributions [74.00222571094437]
  Blind Image Quality Assessment (BIQA)はディープラーニングを通じて大幅に進歩しているが、大規模なラベル付きデータセットの不足は依然として課題である。 合成データセットから学習した表現は、しばしば回帰性能を妨げる離散的かつクラスタ化されたパターンを示す。 本稿では,BIQAの一般化を促進するために,合成データ分布を再考する新しいフレームワークであるSynDR-IQAを紹介する。
  論文  参考訳（メタデータ） (2026-01-01T06:11:16Z)
• AutoMalDesc: Large-Scale Script Analysis for Cyber Threat Research [81.04845910798387]
  脅威検出のための自然言語の説明を生成することは、サイバーセキュリティ研究において未解決の問題である。 本稿では,大規模に独立して動作する自動静的解析要約フレームワークAutoMalDescを紹介する。 アノテーション付きシード(0.9K)データセットや方法論,評価フレームワークなど,100万以上のスクリプトサンプルの完全なデータセットを公開しています。
  論文  参考訳（メタデータ） (2025-11-17T13:05:25Z)
• A Multimodal Approach to Heritage Preservation in the Context of Climate Change [0.0]
  本稿では,センサデータ(温度,湿度)と視覚画像とを融合させて,遺産の重症度を予測する軽量なマルチモーダルアーキテクチャを提案する。 ストラスブール大聖堂からのデータでは、標準的なマルチモーダルアーキテクチャよりも43%向上した76.9%のアクク・レシーを達成した。
  論文  参考訳（メタデータ） (2025-10-15T22:07:57Z)
• Assessing and Mitigating Data Memorization Risks in Fine-Tuned Large Language Models [0.0]
  大規模言語モデル(LLM)は、様々な自然言語処理タスクにまたがる顕著な機能を示している。 トレーニングデータを記憶する傾向は、特に微調整プロセスにおいて、重大なプライバシーリスクを引き起こす。 本稿では、微調整LDMにおけるデータの包括的分析を行い、新しい多層プライバシー保護フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-10T10:26:55Z)
• How Good Are Synthetic Requirements ? Evaluating LLM-Generated Datasets for AI4RE [0.5156484100374059]
  本稿では,合成要求データを生成するための改良された製品ラインアプローチを提案する。 提案する4つの研究課題は,データ品質にどのような影響を及ぼすか,また,自動的なプロンプト最適化,およびポストジェネレーションのキュレーションについて検討する。 以上の結果から, 人工的な要件は, 特定のタスクにおいて, 人為的な要件と一致し, より優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2025-06-26T10:52:07Z)
• Synthetic Code Surgery: Repairing Bugs and Vulnerabilities with LLMs and Synthetic Data [0.0]
  本稿では,Large Language Models(LLMs)を用いた合成データ生成によるAPR(Automated Program repair)の向上手法を提案する。 提案手法は, 合成試料生成と厳密な品質評価という2段階のプロセスを通じて, この制限に対処する。 VulRepairテストセットデータセットの実験評価では、完全予測率の統計的に有意な改善が見られた。
  論文  参考訳（メタデータ） (2025-05-12T09:14:20Z)
• MathPhys-Guided Coarse-to-Fine Anomaly Synthesis with SQE-Driven Bi-Level Optimization for Anomaly Detection [30.77558600436759]
  本研究では,Math-Physモデル誘導による合成異常を生成する,新しい軽量パイプラインを提案する。 本手法は現実的な欠陥マスクを生成し,その後2段階に拡張した。 本手法を検証するために,MVTec AD, VisA, BTADの3つの異常検出ベンチマーク実験を行った。
  論文  参考訳（メタデータ） (2025-04-17T14:22:27Z)

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。