論文の概要: Grounding Long Financial Text with Semantically-Enriched Tables via Multimodal Learning

• arxiv url: http://arxiv.org/abs/2610.37913v1
• Date: Tue, 27 Oct 2026 19:56:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 19:17:52.542149
• Title: Grounding Long Financial Text with Semantically-Enriched Tables via Multimodal Learning
• Title（参考訳）: マルチモーダル学習による意味豊かな表を用いた長期財務文書の接地
• Abstract要約: このフレームワークは、財務表を意味的に3つの豊富なトークンシーケンスとして表現し、長文のテキストと統合する。 par-5 ticularでは、各数値変数に意味的埋め込み6をテキスト定義から拡張し、数値マグニチュード7と経済的な意味の両方を符号化する。
• 参考スコア（独自算出の注目度）: 2.474149958144776
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a multimodal transformer framework for efficiently modeling long1 financial documents that combine structured tabular data with noisy, unstructured2 textual disclosures. The framework represents financial tables as semantically3 enriched token sequences and integrates them with long-form text through a cross-4 attention mechanism that explicitly captures cross-modal dependencies. In par-5 ticular, we augment each numerical variable with a semantic embedding derived6 from its textual definition, enabling the model to encode both numerical magnitude7 and economic meaning. This design yields a more expressive and parameter-8 efficient representation of tabular data compared to value-only embeddings. Using9 a large-scale dataset of financial statements and MD&A disclosures, we show that10 structured numerical features remain the dominant source of predictive signal;11 however, textual information provides consistent incremental gains when incor-12 porated via cross-attention rather than simple concatenation. Our results further13 demonstrate that noisy textual disclosures are most useful when conditioned on a14 stable, semantically structured tabular representation. In particular, using frozen15 variable-level tabular representations as cross-attention queries enables the model16 to weight MD&A chunks differently for each financial variable and observation.17 These findings suggest that cross-attention provides an efficient mechanism for18 table-conditioned aggregation of long-form narrative evidence.
• Abstract（参考訳）: 本稿では,構造化された表データとノイズのない非構造化の文書開示を併用した,長い1の財務文書を効率的にモデル化するマルチモーダルトランスフォーマーフレームワークを提案する。 このフレームワークは、ファイナンシャルテーブルをセマンティック3エンリッチトークンシーケンスとして表現し、クロスモーダル依存関係を明示的にキャプチャするクロス-4アテンションメカニズムを通じて、ロングフォームテキストと統合する。 par-5 ticularでは、各数値変数に意味的埋め込み6をテキスト定義から拡張し、数値マグニチュード7と経済的な意味の両方を符号化する。 この設計は、値のみの埋め込みに比べて、より表現力が高く、パラメーター8の効率的な表象が得られる。 財務諸表とMD&A開示の大規模データセットを用いて,10個の構造化された数値特徴が予測信号の主流の情報源であることを示す。 さらに,a14の安定な意味的に構造化された表表表現を条件とした場合,ノイズの多いテキスト開示が最も有用であることを示す。 特に、クロスアテンションクエリとしてフリーズ15変数レベルの表象表現を使用することで、モデル16は各財務変数と観測値に対して異なるMD&Aチャンクを重み付けすることができる。 これらの結果から, クロスアテンションは, 長期の物語的証拠を18個のテーブル条件で集約する上で, 効果的なメカニズムをもたらすことが示唆された。

関連論文リスト

• MulTaBench: Benchmarking Multimodal Tabular Learning with Text and Image [52.47434184153733]
  MulTaBenchは40のデータセットのベンチマークで、画像-タブラルタスクとテキスト-タブラルタスクを等しく分割する。 テキストと画像のモダリティにまたがって、ターゲット認識表現のチューニングによる利得が一般化されることを示す。
  論文  参考訳（メタデータ） (2026-05-11T14:12:05Z)
• TableDART: Dynamic Adaptive Multi-Modal Routing for Table Understanding [52.59372043981724]
  TableDARTはトレーニング効率のよいフレームワークで、事前トレーニングされた単一モダリティモデルを再利用することでマルチモーダルビューを統合する。 さらに,テキストモデルと画像モデルからの出力を解析し,モーダル間知識統合のための新しいエージェントを提案する。
  論文  参考訳（メタデータ） (2025-09-18T07:00:13Z)
• TableMoE: Neuro-Symbolic Routing for Structured Expert Reasoning in Multimodal Table Understanding [3.404552731440374]
  TableMoEは、マルチモーダルテーブルデータに対する堅牢で構造化された推論のために特別に設計された、ニューロシンボリックなMixture-of-Connector-Experts (MoCE)アーキテクチャである。 TableMoEは革新的なNeuro-Symbolic Routing機構を備えており、潜在意味トークンの役割を予測し、テーブル要素を専門の専門家に動的にルーティングする。 評価のために、実世界のマルチモーダル劣化と構造的複雑さの下でのストレステストモデルに特化して設計された、挑戦的なWildStructベンチマーク4つをキュレートし、リリースする。
  論文  参考訳（メタデータ） (2025-06-26T15:41:34Z)
• MultiFinRAG: An Optimized Multimodal Retrieval-Augmented Generation (RAG) Framework for Financial Question Answering [0.0]
  MultiFinRAGは、財務文書のための検索強化された生成フレームワークである。 テーブルとフィギュアをグループ化してマルチモーダル抽出を行い、構造化された要約と簡潔な要約を生成する。 テキスト、テーブル、画像、複合マルチモーダル推論を含む複雑な財務タスクにおいて、ChatGPT-4oよりも19パーセント高い精度を達成する。
  論文  参考訳（メタデータ） (2025-06-25T20:37:20Z)
• Multimodal Tabular Reasoning with Privileged Structured Information [67.40011423365712]
  ブリッジインfOrmation (sc Turbo) を用いたタブウラー推論(TabUlar Reasoning)について紹介する。 sc TurboはDeepSeek-R1をベースにした構造対応の推論トレースジェネレータの恩恵を受ける。 sc Turboは、複数のデータセットで最先端のパフォーマンス(+7.2%対以前のSOTA)を達成する。
  論文  参考訳（メタデータ） (2025-06-04T15:46:30Z)
• Enhancing Large Vision-Language Models with Layout Modality for Table Question Answering on Japanese Annual Securities Reports [4.2134954427867]
  In-table テキストコンテンツとレイアウト機能を組み込んだ LVLM を用いたテーブル理解手法を提案する。 実験により,これらの補助モーダルは性能を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-05-23T08:36:22Z)
• TabDiff: a Mixed-type Diffusion Model for Tabular Data Generation [91.50296404732902]
  グラフデータの混合型分布を1つのモデルでモデル化する共同拡散フレームワークであるTabDiffを紹介する。 我々の重要な革新は、数値データと分類データのための連立連続時間拡散プロセスの開発である。 TabDiffは、既存の競合ベースラインよりも優れた平均性能を実現し、ペアワイドカラム相関推定における最先端モデルよりも最大で22.5%改善されている。
  論文  参考訳（メタデータ） (2024-10-27T22:58:47Z)
• TDeLTA: A Light-weight and Robust Table Detection Method based on Learning Text Arrangement [34.73880086005418]
  本稿では,学習テキストアレンジメント(TDeLTA)に基づく新しい,軽量で堅牢なテーブル検出手法を提案する。 表を正確に特定するために,表内の意味的役割に応じてテキストブロックを4つのカテゴリに分類するテキスト分類タスクを設計する。 いくつかの最先端の手法と比較して、TDeLTAは大規模な公開データセットの3.1Mモデルパラメータで競合する結果を得る。
  論文  参考訳（メタデータ） (2023-12-18T09:18:43Z)
• TAP4LLM: Table Provider on Sampling, Augmenting, and Packing Semi-structured Data for Large Language Model Reasoning [55.33939289989238]
  テーブルベースタスクにおいて,大規模言語モデル(LLM)を効果的に活用するための汎用プリプロセッサスイートとして,TAP4LLMを提案する。 1)大きなテーブルをクエリセマンティクスに基づいて管理可能なサブテーブルに分解するテーブルサンプリング、(2)外部ソースやモデルから追加の知識でテーブルを拡張するテーブル拡張、(3)テーブルパッキングとシリアライゼーションによりテーブルをLLMの理解に適したさまざまなフォーマットに変換する。
  論文  参考訳（メタデータ） (2023-12-14T15:37:04Z)

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。