PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.26368v3cs.CL

기업 공시 텍스트의 세분화된 불일치 분류 진단

Diagnosing Fine-Grained Inconsistency Classification in Financial Disclosure Text

기업 공시에는 수치, 시간, 참조, 사실 및 정책 측면의 불일치가 포함될 수 있으며, 이를 진단하기 위해서는 각기 다른 증거와 추론이 필요합니다. 본 연구에서는 충돌이 포함된 것으로 알려진 구절이 주어졌을 때 11개 범주 중에서 그 유형을 식별하는 것을 목표로 하는 세분화된 불일치 분류(classification)를 다룹니다. 합성 SBID-FD 벤치마크(benchmark)의 고정 스냅샷을 사용하여, 동일한 평가(evaluation) 프로토콜 하에서 동결(frozen) 및 파인튜닝(fine-tuning)된 인코더, 증거 기반 증강 분류기, 프롬프트 기반 대규모 언어 모델(LLM), LoRA 적용 생성 모델을 비교합니다. 그 결과, 태스크별 적응(task-specific adaptation)은 동결된 표현에 비해 큰 성능 향상을 가져왔으며, 파인튜닝된 300M 크기의 인코더는 훨씬 더 큰 프롬프트 기반 및 적응 모델들과 견줄 만한 경쟁력 있는 성능을 보였습니다. 나아가 충돌하는 주장을 국소화(localizing)하는 것이 분류 성능을 향상시키는지 확인하기 위해 예측 구간(predicted-span), 참조 구간(reference-span), 방해 구간(distractor-span) 조건을 매칭하여 분석했습니다. 실험 결과, 자동 추출된 증거가 추가적인 신호를 제공하지만 참조 구간을 통해 얻는 이점의 일부만을 회복하는 것으로 나타났습니다. 클래스별 분석 및 혼동 행렬 분석 결과, 일부 불일치 유형은 국소화 품질에 특히 민감한 반면, 다른 유형은 관련 증거가 제공되더라도 여전히 분류하기 어렵다는 점이 밝혀졌습니다. 이러한 발견은 증거 국소화와 세분화된 유형 구분이 서로 구분되는 과제임을 보여주며, 소형 지도학습 인코더가 이 작업에서 강력한 베이스라인임을 시사합니다.