🤖 AI

Noise-Robust Financial Numerical Entity Attribute Tagging

تقدم الورقة البحثية NORA، وهو إطار عمل قوي تجاه الضجيج لتوسيم الكيانات الرقمية المالية (FNE)، والذي يستخدم وزناً للمثيلات مدركاً للمهمة وطريقة تقييم مبتكرة للتعامل بفعالية مع تسميات XBRL المشوبة بالضجيج مع التنبؤ المشترك بسمات غنية مثل أسماء المفاهيم، وأوقات التقارير، والمقاييس، والإشارات المحاسبية على معيار مرجعي ضخم تم إنشاؤه حديثاً.

المؤلفون الأصليون: Hsin-Min Lu, Chen-Yang Lai, Yi-Jhen Li, Ju-Chun Yen

نُشر 2026-05-26

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Hsin-Min Lu, Chen-Yang Lai, Yi-Jhen Li, Ju-Chun Yen

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك محقق يحاول حل لغز داخل مكتبة ضخمة من التقارير المالية. هذه التقارير مليئة بالأرقام، مثل "5 ملايين دولار" أو "10.2%". لكن الرقم بمفرده لا معنى له. هل هذا الـ 5 ملايين دولار هو ربح؟ أم دين؟ هل هو مال من العام الماضي، أم هذا العام، أم العام القادم؟ وهل هو مبلغ ضخم أم ضئيل؟

هذه هي مهمة فهم الكيانات الرقمية المالية (FNE): اكتشاف القصة الحقيقية وراء كل رقم في التقرير المالي.

المشكلة: المكتبة فوضوية

يشير مؤلفو هذه الورقة، هسين-مين لو وزملاؤه، إلى مشكلتين كبيرتين في كيفية محاولتنا حالياً لحل هذا اللغز:

"المادة المصدرية" معيبة: الشركات المالية تقدم تقاريرها إلكترونياً (باستخدام ما يسمى iXBRL). فكر في الأمر كطالب يملأ ورقة عمل؛ أحياناً يرتكب الطلاب أخطاءً، مثل كتابة الرقم الخطأ، أو الخلط بين "الربح" و"الخسارة"، أو كتابة التاريخ بشكل خاطئ. ولأن الحواسيب غالباً ما تتعلم من خلال قراءة هذه الملفات، فإنها تتعلم من مصدر مليء بالأخطاء. الأمر يشبه محاولة تعلم الرياضيات من كتاب مدرسي تكون نصف إجاباته خاطئة.
نحن نسأل سؤالاً واحداً فقط: درست الدراسات السابقة معظم الوقت مجرد سؤال: "ماذا نطلق على هذا الرقم؟" (على سبيل المثال: "هل هذا هو 'الإيراد'؟"). ولكن في العالم الحقيقي، تحتاج إلى معرفة المزيد بكثير: متى ينطبق هذا الرقم؟ ما هو حجم الوحدة (ملايين مقابل مليارات)؟ هل هو رقم موجب أم سالب؟ تجاهل هذه التفاصيل يشبه محاولة وصف سيارة بالقول فقط إن لونها كذا، مع تجاهل سرعتها، وطرازها، وما إذا كانت تعمل أم لا.

الحل: NORA (المحقق الذكي)

لإصلاح ذلك، بنى الفريق نظاماً جديداً يسمى NRA (الوسم المتين للضجيج لسمات الكيانات الرقمية المالية الغنية).

1. "مرشح الضجيج" (التعلم تجاهل الأدلة السيئة)
تخيل أنك في غرفة مليئة بأشخاص يصرخون بأدلة لمساعدتك في حل لغز. بعض الناس يصرخون بالحقيقة، والبعض الآخر يصرخ بهراء أو أكاذيب. إذا استمعت للجميع بالتساوي، فستصاب بالارتباك.
NORA يشبه المحقق الذي يتعلم الاستماع إلى حجم الصوت. فهو يخصص "درجة ثقة" لكل قطعة من المعلومات.

إذا بدا الدليل موثوقاً، يستمع NORA بتركيز.
إذا بدا الدليل ضجيجاً أو متناقضاً، يقوم NORA بخفض مستوى صوت ذلك الدليل حتى لا يفسد عملية التعلم.
وهذا يسمح للنظام بالتعلم من الكم الهائل من البيانات المتاحة، رغم أن تلك البيانات تحتوي على أخطاء.

2. "الوصف الغني" (طرح المزيد من الأسئلة)
بدلاً من مجرد سؤال "ما هذا؟"، يسأل NORA أربعة أسئلة في وقت واحد لكل رقم:

الوسم (Tag): ما هو هذا المفهوم؟ (مثلاً: "الإيرادات")
الزمن (Time): هل هذه لقطة للحظة معينة (فوري) أم قصة عبر فترة زمنية (مدة)؟ هل هي من الماضي، أم الحاضر، أم المستقبل؟
المقياس (Scale): هل هذا الرقم بالدولارات، أم بالملايين، أم بالمليارات؟
الإشارة (Sign): هل هو مكسب موجب أم خسارة سالبة؟

من خلال الإجابة على كل هذه الأسئلة معاً، يحصل النظام على صورة أوضح للقصة المالية.

المكتبة الجديدة (مجموعة البيانات)

بنى الباحثون أيضاً ساحة تدريب ضخمة جديدة تسمى مجموعة بيانات NORA.

الحجم: تحتوي على 6.6 مليون مثال. ولوضع ذلك في الاعتبار، كانت مجموعات البيانات السابقة مثل رف كتب صغير (1.1 مليون أو 79,000 مثال). هذه مكتبة كاملة.
الجودة: تتضمن السياق الكامل للتقارير، وليس الرقم فقط، حتى يتمكن الذكاء الاصطناعي من فهم القصة المحيطة بالرقم.
الواقعية: تحافظ على "الضجيج" الموجود في العالم الحقيقي (الأخطاء) ليتدرب النظام على أن يكون متيناً، تماماً مثل محقق يتدرب باستخدام أدلة فوضوية.

النتائج: من فاز في اللعبة؟

اختبر الفريق NORA مقابل أنظمة ذكية أخرى (مثل Co-teaching و Mixup و SSR) باستخدام نوعين من الاختبارات:

الاختبار الفوضوي: باستخدام البيانات الخام المليئة بالأخطاء.
الاختبار المنقى: باستخدام مرشح خاص (يسمى NPK) يزيل الأخطاء الأكثر وضوحاً لمعرفة كيفية أداء النظام على بيانات "أنظف".

الحكم:

فاز NORA. لقد كان الأفضل في تحديد اسم المفهوم (الوسم) وعلاقة الزمن (الزمن).
كان بارعاً بشكل خاص في فهم الزمن. وهذا منطقي لأن تحديد ما إذا كان الرقم يمثل "الماضي" أو "المستقبل" يتطلب النظر في القصة بأكملها، وقدرة NORA على تجاهل الأدلة المزعجة ساعدته في تحقيق ذلك.
كان تنافسياً للغاية في المهام الأخرى (المقياس والإشارة)، على الرغم من أنها كانت أصعب على الجميع.

خدعة خاصة: "فحص الجيران"

للتأكد من أن نتائجهم حقيقية، ابتكر الفريق طريقة للتحقق مما إذا كانت بيانات الاختبار نظيفة بالفعل. استخدموا طريقة تسمى NPK (الجار المعدل حسب الأولوية المجاورة).
فكر في الأمر على هذا النحو: إذا كنت تحاول تخمين الإجابة على مسألة رياضية، فستنظر إلى إجابات جيرانك. إذا كان 9 من أصل 10 جيران لديهم نفس الإجابة، فمن المرجح أن إجابتك صحيحة. أما إذا كانت إجابتك مختلفة تماماً عن الجميع، فقد تكون مخطئاً.
استخدم NORA هذا "الفحص للجيران" لتصفية الأمثلة الأكثر إرباكاً من مجموعة الاختبار، مما أثبت أنه يتعلم الأنماط حقاً وليس مجرد ضربة حظ مع الضجيج.

الملخص

باختصار، تقول الورقة: "التقارقات المالية فوضوية، ونماذج الذكاء الاصطناعي القديمة ترتبك بسبب الأخطاء. لقد بنينا نظاماً جديداً، NORA، الذي يتعلم تجاهل الضجيج بينما يطرح أسئلة مفصلة حول كل رقم. لقد اختبرناه على مكتبة ضخمة وجديدة من البيانات، وأثبت أنه أذكى محقق في الغرفة، خاصة في فهم توقيت ومعنى الأرقام المالية."

ملخص تقني: التوسيم المتين للضجيج لسمات الكيانات الرقمية المالية الغنية (NORA)

تعريف المشكلة
يتضمن فهم الكيانات الرقمية المالية (FNE) استعادة المعنى الدلالي للإشارات الرقمية في التقارير المالية (مثل تقارير 10-K و10-Q). وبينما ساهمت المعايير المرجعية الحالية مثل FiNER-139 وFNXL في تطوير هذا المجال، إلا أنها تعاني من قصورين حرجين. أولاً، تعتمد على تسميات مستمدة من ملفات iXBRL، والتي غالباً ما يتم إعدادها يدوياً وتكون مشوبة بالضجيج بطبيعتها، حيث تحتوي على أخطاء مثل عدم تطابق العلامات (tags)، والعناصر المفقودة، والإشارات الخاطئة. ثانًا، تختزل الأعمال السابقة المهمة في التنبؤ باسم المفهوم المحاسبي (الوسم) فقط، متجاهلة السمات الأخرى الحاسمة المطلوبة للتفسير الكامل: علاقات زمن التقرير (مثل اللحظي مقابل المدة، الماضي مقابل الحالي)، ومقاييس القياس، والإشارات المحاسبية. تؤدي هذه الفجوات إلى جعل النماذج هشة أمام ضجيج التسميات في العالم الحقيقي، وتفشل في التقاط الثراء الدلالي الكامل للبيانات المالية.

المنهجية
يقترح المؤلفون إطار عمل NORA (التوسيم المتين للضجيج لسمات الكيانات الرقمية المالية الغنية)، وهو مصمم لنمذجة سمات متعددة للكيانات الرقمية المالية بشكل مشترك مع التخفيف من تأثير الإشراف المشوب بالضجيج.

التدريب المتين للضجيج باستخدام الأوزان الخاصة بكل حالة:
يعامل NORA فهم الكيانات الرقمية المالية كمشكلة تنبؤ متعددة المهام تغطي أربع سمات: الوسم (tag)، وعلاقة الوقت، والمقياس، والإشارة. وللتعامل مع التسميات المشوبة بالضجيج، يستخدم النموذج آلية وزن مدركة للمهام وخاصة بكل حالة.

يقدر النموذج بوابة ضجيج ( $g_a$ ) لكل حالة ولكل مهمة $a$ باستخدام طبقة كثيفة مشتركة وطبقة سيجمويد (sigmoid) خاصة بالمهمة تُطبق على تمثيل [CLS] العالمي.
تقدر هذه البوابة، $g_a \in (0, 1)$ ، مستوى الضجيج في الحالة. تشير القيمة القريبة من 0 إلى حالة موثوقة، بينما تشير القيمة القريبة من 1 إلى وجود ضجيج أو غموض.
يتم تعديل دالة الخسارة بواسطة هذه البوابة: $\tilde{L}_a = (1 - g_a) \cdot L_a + \lambda_a \cdot g_a^2$ . يعمل الحد الأول على خفض وزن الخسارة الخام للحالات المشوبة بالضجيج، بينما يعمل الحد الثاني كمنظم لمنع النموذج من تجاهل جميع البيانات بشكل تافه عبر ضبط $g_a \approx 1$ .
تم تصميم دالات خسارة محددة لكل مهمة: "الإنتروبيا المتقاطعة متوازنة الفئات" (Class-Balanced Cross-Entropy) للأوسام (للتعامل مع التوزيعات ذات الذيول الطويلة)، و"الإنتروبيا المتقاطعة" القياسية مع أوزان الفئات للوقت والمقياس، و"فقد التركيز" (Focal Loss) للإشارة (لمعالجة عدم التوازن الشديد في الفئات ذات الإشارات السالبة).

التقييم المتين عبر تصفية NPK:
إدراكاً بأن مجموعات الاختبار في العالم الحقيقي تحتوي أيضاً على ضجيج، قدم المؤلفون طريقة التصفية المرنة بناءً على الجوار المسبق لـ KNN (NPK) للتقييم.

تعتمد هذه الطريقة على افتراض الاتساق في الجوار: يجب أن تتوافق التسميات الصحيحة مع الجوار الدلالي للحالة.
باستخدام FAISS، تسترجع الطريقة أقرب $k$ من الجيران لكل حالة اختبار في فضاء التضمين الدلالي.
لتصحيح عدم توازن الفئات، يتم حساب درجة اتساق معدلة مسبقاً عن طريق تطبيع أعداد الجيران مقابل الأولويات العالمية للفئات.
يتم ترتيب الحالات حسب درجة الاتساق هذه، وتُستخدم المجموعة الفرعية ذات الدرجات الأعلى (على سبيل المثال، أعلى 90%) كمجموعة تقييم أقل ضجيجاً لتوفير تقييم أكثر موثوقية لأداء النموذج.

بناء مجموعة البيانات:
قام المؤلفون ببناء مجموعة بيانات NORA، وهي مرجع واسع النطاق يضم 6.6 مليون حالة سردية متوافقة مع حقائق iXBRL من أكثر من 110,000 ملف من ملفات هيئة الأوراق المالية والبورصات (SEC). وعلى عكس مجموعات البيانات السابقة، تتضمن سمات غنية متعددة (الوسم، الوقت، المقياس، الإشارة) والبيانات الوصفية للمستند (الشركة، الفترة، السنة المالية) لدعم تعلم العلاقة الزمنية.

المساهمات الرئيسية

الصياغة: يصيغ البحث فهم الكيانات الرقمية المالية كمهمة تنبؤ مشتركة متعددة السمات، حيث يتم نمذجة اسم المفهوم، وعلاقة زمن التقرير، ومقياس القياس، والإشارة المحاسبية في آن واحد.
إطار العمل: يقدم إطار NORA، وهو إطار عمل للتعلم المتين للضجيج يستخدم أوزاناً قابلة للتعلم وخاصة بكل حالة لتخفيف تأثير التسميات المشوبة بالضجيج أثناء التدريب، متفوقاً على النماذج المرجعية التي تعتمد على الضجيج (مثل Co-teaching وMixup وSSR وSelfMix).
بروتوكول التقييم: يقترح طريقة NPK، مما يتيح تقييماً أكثر موثوقية لنماذج مجموعات الاختبار المشوبة بالضجيج في العالم الحقيقي من خلال تحديد المجموعات الفرعية عالية الثقة بناءً على اتساق الجوار.
المورد: يطلق مجموعة بيانات NORA، وهي مورد أكبر بكثير وأكثر ثراءً بالسمات من المراجع الحالية (FiNER-139، FNXL)، والمصممة لسد الفجوة بين المعايير المثالية وبيئات التقارير المالية الواقعية.

النتائج
أظهرت التجار تجريات على كل من مجموعات الاختبار غير المصفاة والمصفاة عبر NPK فعالية NORA:

الأداء: يحقق NORA أفضل درجات الدقة (Accuracy)، وF1 الكلي (Macro F1)، وF1 الموزون (Weighted F1) لمهام التنبؤ بـ الوسم والوقت. ويظهر التحسن بشكل خاص في مهمة التنبؤ بالوقت، حيث يتجاوز NORA النموذج المرجعي التالي بنحو 19.8 نقطة مئوية في الدقة و26.0 نقطة مئوية في Macro F1 على المجموعة غير المصفاة.
المتانة: بينما يعد NORA منافساً قوياً في مهام المقياس والإشارة (حيث قد تتفوق طرق أخرى مثل Mixup أو Co-teaching قلياً)، فإنه يتفوق باستمرار على النماذج المرجعية في المهام الأكثر تعقيداً من الناحية الدلالية.
تحديد الضجيج: كشف تحليل بوابات الضجيج المتعلمة ( $g_a$ ) أن الحالات التي تظهر مستويات ضجيج عالية لمهام الوسم والوقت تظهر اتساقاً أقل بكثير في التنبؤ. وقد أكدت المراجعة اليدوية من قبل محاسب قانوني معتمد (CPA) أن الحالات ذات البوابة العالية تحتوي غالباً على أخطاء في التسمية، مما يثبت قدرة النموذج على تحديد الإشراف غير الموثوق.

الأهمية
يزعم البحث أن NORA يوضح قيمة النمذجة المشتركة لسمات الكيانات الرقمية المالية الغنية مع مراعاة الضجيج في التسميات المتأصل في الملفات المالية الحقيقية. ومن خلال تجاوز مجرد توسيم اسم المفهوم ومعالجة مشكلة الضجيج من خلال الأوزان الخاصة بكل حالة وبروتوكولات التقييم المتينة، يوفر NORA نهجاً أكثر موثوقية للتطبيقات المالية اللاحقة مثل تحليل المخاطر، ومراقبة الامتثال، وتحليل الأعمال. يسلط العمل الضوء على أن تجاهل ضجيج التسميات وثراء السمات يؤدي إلى نماذج دون المستوى، في حين أن النهج متعدد السمات والمتين للضجيج يحقق أداءً فائقاً في البيئات الواقعية المشوبة بالضجيج.