SeQwen在金融误信息检测挑战赛任务中的表现：基于顺序学习的金融领域 claim 验证与解释生成
计算与语言
2024-12-03 v1 计算工程、金融与科学
机器学习
计算金融
摘要
本文介绍了我们为 COLING 2025 金融误信息检测挑战赛所提交的系统。我们实验性地使用了包括 Qwen、Mistral 和 Gemma-2 在内的大型语言模型，并利用预处理和顺序学习技术，不仅识别欺诈性金融内容，还生成连贯且简洁的解释，以阐明分类背后的逻辑。我们的 method 在分类任务上取得了 F1 分数为 0.8283，解释生成任务上获得了 0.7253 的 ROUGE-1 分数。这一工作凸显了大型语言模型在金融应用中的变革性潜力，为对 misinformation 的防控和透明度提升提供了洞见，同时指出在鲁棒性和领域适应性方面仍需进一步改进。
引用
@article{arxiv.2412.00549,
title = {SeQwen at the Financial Misinformation Detection Challenge Task: Sequential Learning for Claim Verification and Explanation Generation in Financial Domains},
author = {Jebish Purbey and Siddhant Gupta and Nikhil Manali and Siddartha Pullakhandam and Drishti Sharma and Ashay Srivastava and Ram Mohan Rao Kadiyala},
journal= {arXiv preprint arXiv:2412.00549},
year = {2024}
}
备注
6 pages, 9 figures, Submitted to FinNLP-FNP-LLMFinLegal @ COLING 2025