FinAgent-RAG는 기업 재무 보고서의 복잡한 다단계 수치 추론을 위한 에이전트 RAG 프레임워크로, 대조적 금융 검색기·Program-of-Thought 추론 모듈·적응형 전략 라우터의 세 가지 혁신을 통합했습니다. 실행 가능한 Python 코드로 정확한 산술 연산을 보장하고, 질문 복잡도에 따라 계산 자원을 동적으로 할당해 FinQA API 비용을 41.3% 절감합니다. FinQA 76.81%, ConvFinQA 78.46%, TAT-QA 74.96% 실행 정확도로 최강 베이스라인 대비 5.62~9.32%p를 능가했습니다.
- •대조 학습과 하드 네거티브 마이닝으로 훈련된 금융 전용 검색기로 유사하지만 수치가 다른 구절 구분
- •Program-of-Thought 모듈이 실행 가능한 Python 코드를 생성해 오류 없는 정확한 산술 연산 보장
- •적응형 전략 라우터로 질문 복잡도에 따라 계산 자원 동적 할당, FinQA API 비용 41.3% 절감
- •FinQA 76.81%, ConvFinQA 78.46%, TAT-QA 74.96% 달성, 최강 베이스라인 대비 5.62~9.32%p 향상
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Agentic Retrieval-Augmented Generation for Financial Document Question Answering
- 1.FinAgent-RAG는 반복 검색-추론 루프와 자기검증을 결합한 금융 문서 QA 특화 에이전틱 RAG 프레임워크
- 2.대비 검색기·실행 코드 추론·적응형 라우터 3가지 혁신으로 FinQA 대비 API 비용 41.3% 절감
- 3.FinQA 76.81%, ConvFinQA 78.46%, TAT-QA 74.96% 실행 정확도로 최강 기준선 대비 최대 9.32%p 향상
왜 중요한가?
복잡한 다단계 수치 추론이 필요한 금융 문서 QA에서 비용과 정확도를 동시에 개선하여 금융기관 실용 배포 가능성을 입증한다.
언급 프로젝트
본문 미리보기
arXiv:2605.05409v1 Announce Type: new Abstract: Financial document question answering (QA) demands complex multi-step numerical reasoning over heterogeneous evidence--structured tables, textual narratives, and footnotes--scattered across corporate filings. Existing retrieval-augmented generation (RAG) approaches adopt a single-pass retrieve-then-generate paradigm that struggles with the compositional reasoning chains prevalent in financial analysis. We propose FinAgent-RAG, an agentic RAG frame
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:10AI 초안
