Fact4ac at the Financial Misinformation Detection Challenge Task: Reference-Free Financial Misinformation Detection via Fine-Tuning and Few-Shot Prompting of Large Language Models

📄 arXiv: 2604.14640v1 📥 PDF

作者: Cuong Hoang, Le-Minh Nguyen

分类: cs.CL, cs.AI

发布日期: 2026-04-16

🔗 代码/项目: HUGGINGFACE

💡 一句话要点

提出基于微调和少样本提示的大语言模型金融虚假信息检测方法，无需外部参考。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 金融虚假信息检测 大语言模型 上下文学习 参数高效微调 LoRA 无参考检测

📋 核心要点

  1. 现有金融虚假信息检测方法依赖外部参考，但在实际场景中这些参考往往不可用，限制了应用。
  2. 论文提出结合上下文学习和参数高效微调的大语言模型方法，无需外部参考即可检测金融虚假信息。
  3. 实验结果表明，该方法在公共和私有测试集上分别达到95.4%和96.3%的准确率，显著提升了检测性能。

📝 摘要（中文）

金融虚假信息的扩散严重威胁市场稳定和投资者信任，误导市场行为并造成严重的信息不对称。检测此类误导性叙述极具挑战性，尤其是在无法进行外部证据或补充参考进行交叉验证的实际场景中。本文介绍了我们在“无参考金融虚假信息检测”共享任务中的获胜方法。该任务基于最近提出的 RFC-BENCH 框架，要求模型仅依靠内部语义理解和上下文一致性来确定金融声明的真实性，而不是外部事实核查。为了应对这种严峻的评估设置，我们提出了一个综合框架，该框架利用了最先进的大型语言模型 (LLM) 的推理能力。我们的方法系统地将上下文学习（特别是零样本和少样本提示策略）与通过低秩适应 (LoRA) 进行的参数高效微调 (PEFT) 相结合，以优化模型与金融操纵的细微语言线索的对齐。我们提出的系统表现出卓越的功效，成功地在两个官方排行榜上均获得第一名。具体来说，我们在公共测试集上实现了 95.4% 的准确率，在私有测试集上实现了 96.3% 的准确率，突出了我们方法的稳健性，并有助于加速金融自然语言处理中上下文感知的虚假信息检测。

🔬 方法详解

问题定义：论文旨在解决在缺乏外部参考信息的情况下，如何准确检测金融领域的虚假信息。现有方法依赖外部知识库进行事实核查，但在实际应用中，这些外部信息往往难以获取或不可靠，导致检测效果不佳。因此，需要一种能够仅依赖内部语义理解和上下文一致性进行判断的方法。

核心思路：论文的核心思路是利用大型语言模型（LLM）强大的推理和语义理解能力，通过上下文学习和参数高效微调，使模型能够识别金融文本中的细微语言线索，从而判断信息的真实性。这种方法避免了对外部信息的依赖，更符合实际应用场景的需求。

技术框架：整体框架包括以下几个主要阶段：1) 数据预处理：对金融文本数据进行清洗和格式化。2) 上下文学习：采用零样本和少样本提示策略，引导LLM理解金融领域的知识和虚假信息的特征。3) 参数高效微调：使用LoRA方法对LLM进行微调，使其更好地适应金融虚假信息检测任务。4) 模型评估：在公共和私有测试集上评估模型的性能。

关键创新：最重要的技术创新点在于将上下文学习和参数高效微调相结合，充分利用了LLM的先验知识和学习能力，同时降低了微调的计算成本。此外，该方法无需外部参考信息，更符合实际应用场景的需求。

关键设计：论文采用了Low-Rank Adaptation (LoRA) 进行参数高效微调，减少了需要训练的参数数量，降低了计算资源消耗。具体来说，LoRA通过引入低秩矩阵来近似模型参数的更新，从而在保持模型性能的同时，显著减少了需要训练的参数数量。模型使用了14B和32B参数规模的LLM，并在金融领域数据集上进行了微调。

🖼️ 关键图片

fig_0

📊 实验亮点

该方法在“无参考金融虚假信息检测”共享任务中取得了第一名的成绩，在公共测试集上达到了95.4%的准确率，在私有测试集上达到了96.3%的准确率。实验结果表明，该方法显著优于其他基线方法，证明了其在金融虚假信息检测方面的有效性和鲁棒性。

🎯 应用场景

该研究成果可应用于金融监管、投资风险评估、舆情监控等领域，帮助识别和防范金融诈骗、谣言传播等行为，维护市场稳定和投资者权益。未来可进一步扩展到其他领域的虚假信息检测，例如医疗、政治等。

📄 摘要（原文）

The proliferation of financial misinformation poses a severe threat to market stability and investor trust, misleading market behavior and creating critical information asymmetry. Detecting such misleading narratives is inherently challenging, particularly in real-world scenarios where external evidence or supplementary references for cross-verification are strictly unavailable. This paper presents our winning methodology for the "Reference-Free Financial Misinformation Detection" shared task. Built upon the recently proposed RFC-BENCH framework (Jiang et al. 2026), this task challenges models to determine the veracity of financial claims by relying solely on internal semantic understanding and contextual consistency, rather than external fact-checking. To address this formidable evaluation setup, we propose a comprehensive framework that capitalizes on the reasoning capabilities of state-of-the-art Large Language Models (LLMs). Our approach systematically integrates in-context learning, specifically zero-shot and few-shot prompting strategies, with Parameter-Efficient Fine-Tuning (PEFT) via Low-Rank Adaptation (LoRA) to optimally align the models with the subtle linguistic cues of financial manipulation. Our proposed system demonstrated superior efficacy, successfully securing the first-place ranking on both official leaderboards. Specifically, we achieved an accuracy of 95.4% on the public test set and 96.3% on the private test set, highlighting the robustness of our method and contributing to the acceleration of context-aware misinformation detection in financial Natural Language Processing. Our models (14B and 32B) are available at https://huggingface.co/KaiNKaiho.