金融ミスインフォメーション検出チャレンジ課題におけるFact4ac：LLMのLoRA微調整と少数例プロンプトによる参照不要の金融ミスインフォメーション検出

要旨: 金融に関する誤情報の拡散は、市場の安定性と投資家の信頼を深刻に脅かし、市場の挙動を誤誘導するとともに、重要な情報の非対称性を生み出します。そうした誤解を招く物語（ナラティブ）を検出することは本質的に困難です。特に、外部の証拠や相互検証のための補助的な参照が厳密に利用できない実世界の状況では、その困難さは一層増します。本論文では、「参照なし金融誤情報検出（Reference-Free Financial Misinformation Detection）」の共有タスクにおける我々の受賞（winning）手法を提示します。近年提案されたRFC-BENCHフレームワーク（Jiang et al. 2026）に基づき、このタスクでは、外部のファクトチェックではなく、内部の意味理解と文脈の整合性のみに依拠して、金融上の主張の真偽を判断することをモデルに求めます。こうした手強い評価設定に対処するため、最先端の大規模言語モデル（LLM）の推論能力を活用する包括的な枠組みを提案します。我々のアプローチは、インコンテキスト学習、すなわちゼロショットおよび少数ショットのプロンプト戦略を、低ランク適応（Low-Rank Adaptation: LoRA）によるパラメータ効率の微調整（Parameter-Efficient Fine-Tuning: PEFT）と体系的に統合し、金融操作に見られる微妙な言語的手掛かりへモデルを最適に整合させます。提案システムは優れた有効性を示し、公式リーダーボードの両方で1位のランキングを獲得することに成功しました。具体的には、公的（public）テストセットで95.4%の精度、私的（private）テストセットで96.3%の精度を達成し、本手法の頑健性を示すとともに、金融領域の自然言語処理における文脈認識型の誤情報検出の加速に貢献します。我々のモデル（14Bおよび32B）は https://huggingface.co/KaiNKaiho で利用可能です。