11:19
官方账号arXiv cs.AI@Guy Stephane Waffo Dzuyo, Gaël Guibon, Christophe Cerisara, Luis Belmar-Letelier
推荐理由：这篇论文解决了财务报表欺诈检测的泛化评估问题，用LLM整合文本数据，在CI-FSFD任务上达到SOTA，适合关注AI金融应用和风险检测的研究者。
泛化评估
共 2 条相关 AI 资讯
7月22日
11:19
本文提出一个稳健的财务报表欺诈检测(FSFD)框架，利用大语言模型(LLMs)整合结构化财务数据与财务报告中的非结构化文本。研究人员指出现有方法依赖随机数据划分，导致性能估计过于乐观，不能反映对新公司或未来时期的泛化能力。他们构建了一个新的基准任务CI-FSFD(Company-Isolated FSFD)，并发布了包含美国公司财务报表、MD&A文本摘要和欺诈标签的数据集。在CI-FSFD任务上，该方法取得了最佳性能，验证了文本数据和鲁棒评估在可靠财务欺诈检测中的关键价值。
5月26日
11:49
11:49
官方账号arXiv cs.AI@Junyuan Liu, Xinglei Wang, Zichao Zeng, Jiazhuang Feng, Quan Qin, Ilya Ilyankou, Guangsheng Dong, Tao Cheng
精选
推荐理由：城市表示学习领域终于有了一个靠谱的评估标准——CityRep 解决了空间泄漏和跨城市泛化评估的痛点，做城市计算或地理空间 AI 的研究者可以直接用这个基准来检验自己的模型，避免被随机划分的虚假高分误导。