금융문서 질문 답변을 위한 대담한 검색-증폭 기술

금융문서 질문 답변은 다양한 종류의 증거에 대한 복잡한 다단계 수치적 사고가 필요합니다. 기존의 검색-증폭 접근법은 금융 분석에서 흔히 있는 합성적 사고 체인에 대응하기 어렵습니다. 우리는 금융 문헌에서 수치 정보를 추출하고, 수치 연산을 위한 실행 가능한 파이썬 코드를 생성하는 것을 목표로 한 대담한 검색-증폭 프레임워크인 FinAgent-RAG을 제안합니다.

FinAgent-RAG은 세 가지 도메인 특화된 혁신을 통합합니다.

• Contrastive Financial Retriever는 하드 음성 지식을 사용하여 금융 문헌에서 수치 정보를 추출합니다.
• Program-of-Thought reasoning module는 정확한 수치 연산을 위해 실행 가능한 파이썬 코드를 생성합니다.
• Adaptive Strategy Router는 질문의 복잡도에 따라 컴퓨팅 자원을 동적으로 할당합니다.

FinAgent-RAG은 FinQA, ConvFinQA, TAT-QA 데이터셋에서 76.81%, 78.46%, 74.96%의 실행 정확도를 달성하며, 가장 강력한 baseline보다 5.62-9.32%의 정확도 향상을 달성했습니다.

FinAgent-RAG의 강력함은 Ablation studies, cross-backbone evaluation with four LLMs, deployment cost analysis를 통해 확인할 수 있습니다.