针对金融问答中专有数据挑战的任务导向检索增强生成框架——AstuteRAG-FQA
机器学习
2025-11-03 v1
摘要
检索增强生成 (RAG) 在知识密集型任务中展现出显著潜力，通过提高领域特定性、增强时效性和减少幻觉来提升性能。然而，将 RAG 应用于金融领域面临关键挑战：专有数据集访问受限、检索精度有限、监管约束以及敏感数据解读。我们引入 AstuteRAG-FQA，一种为金融问答 (FQA) 量身定制的自适应 RAG 框架，利用任务导向提示工程来应对这些挑战。该框架采用混合检索策略，集成开源和专有金融数据，同时保持严格的安全协议和监管合规。动态提示框架能实时适应查询复杂度，提高精度和情境相关性。为系统应对多样化的金融查询，我们提出四层任务分类：显式事实、隐式事实、可解释论证和隐藏论证（涉及隐式因果推理）。针对每个类别，我们识别检索和生成过程中中的关键挑战、数据集和优化技术。该框架包含多层安全机制，包括差分隐私、数据匿名化和基于角色的访问控制，以保护敏感金融信息。此外，AstuteRAG-FQA 通过自动化监管验证系统实现实时合规监控，该系统将响应核查于行业标准和法律义务之中。我们评估了三种数据集成技术——情境嵌入、小模型增强和针对性微调——分析其在不同金融环境中的效率和可行性。
引用
@article{arxiv.2510.27537,
title = {AstuteRAG-FQA: Task-Aware Retrieval-Augmented Generation Framework for Proprietary Data Challenges in Financial Question Answering},
author = {Mohammad Zahangir Alam and Khandoker Ashik Uz Zaman and Mahdi H. Miraz},
journal= {arXiv preprint arXiv:2510.27537},
year = {2025}
}