arXiv cs.AI· Sheng-Hua Tsai, Chen-Yang Lai, Yi-Jhen Li, Ju-Chun Yen, Hsin-Min Lu·· 11 小时前AI 评分20
NORA：面向丰富财务数值实体属性的噪声鲁棒标注方法
Noise-Robust Financial Numerical Entity Attribute Tagging
AI 导读
NORA 提出任务感知的实例级加权方法，在训练中降低噪声标签影响，并构建含 1140 万个财务数值实体、630 万句子的多属性标注基准。在未过滤与噪声过滤两种测试设置下，NORA 在四项属性上均取得最佳平均 Accuracy 和 Macro F1，其中时间关系预测提升最大，概念名、量级与符号预测保持竞争力。
正文 · AI 翻译
摘要：财务数值实体（FNE）理解旨在还原财务报告中数值提及的含义。现有研究聚焦于概念名称预测，并面临两个重要局限。第一，源自内联 XBRL 的标签可能包含错误，因为申报文件通常由人工编制。第二，其他重要的 FNE 属性，如报告时间关系、计量尺度和会计符号，受到的重视较少。我们提出面向丰富财务数值实体属性的抗噪标注方法（NORA）来弥补这些空白。NORA 使用任务感知的实例特定加权来减弱训练过程中噪声标签的影响，并且我们开发了一套评估协议，用于过滤真实世界测试集中的噪声标签。此外，我们构建了一个大规模基准，包含 630 万句子中的 1140 万个 FNE，并带有多个属性标签和申报元数据。实验表明，与以往的财务数值标注模型和噪声标签基线相比，NORA 表现强劲。在未过滤和噪声过滤两种测试设置下，它在四个属性上均取得最佳的平均准确率和 Macro F1，其中在时间关系预测上的提升最大，同时在概念名称、尺度和符号上保持竞争力。这些结果证明了在考虑真实世界财务申报中标签噪声的同时，利用文档上下文对丰富 FNE 属性进行建模的价值。
| 主题： | 人工智能（cs.AI）；计算工程、金融与科学（cs.CE） |
| 引用为： | arXiv:2605.24910 [cs.AI] |
| （或使用 arXiv:2605.24910v2 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2605.24910 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Hsin-Min Lu [查看电子邮件]
[v1]
2026年5月24日星期日 07:31:34 UTC（324 KB）
[v2]
2026年10月23日星期五 02:34:57 UTC（309 KB）
来源：arXiv cs.AI · arxiv.org