في عالم التقارير المالية، يعتبر فهم البيانات الرقمية أمرًا حيويًا لاتخاذ القرارات الصحيحة. لكن، كما تظهر الدراسات الحديثة، تواجه جهود تقييم الكيانات المالية الرقمية (Financial Numerical Entity - FNE) عدة عقبات.

تقوم الدراسات الحالية بالتركيز على تصنيف أسماء المفاهيم، لكنها غالباً ما تواجه مشكلات بسبب الأخطاء الناتجة عن إعداد التقارير المالية يدويًا، مما يؤدي إلى تسميات غير دقيقة. كما أن السمات المهمة الأخرى مثل علاقة زمن الإبلاغ، ومقياس القياس، وعلامة المحاسبة، تُهمَل في الغالب.

لحل هذه القضايا، يقدم الباحثون تقنية جديدة تُعرف باسم extbf{NORA} (NOise-Robust Tagging for Rich Financial Numerical Entity Attributes). تعتمد NORA على أسلوب وزن محدد للمهام، مما يقلل من تأثير العلامات الضوضائية أثناء التدريب. ويُضاف إلى ذلك طريقة تصفية جديدة تُسمى Neighborhood Prior-adjusted KNN (NPK)، التي تعزز من دقة التقييم في البيئات الواقعية التي تحتوي على ضوضاء.

ولكي يتم تقييم فعالية NORA، تم إنشاء مجموعة بيانات كبيرة تضم 6.6 مليون حالة مع تسميات متعددة وبيانات إيداع. النتائج التجريبية أظهرت أن NORA تتفوق بشكل ملحوظ على القواعد التقليدية ذات العلامات الضوضائية مثل Co-teaching وMixup وSSR وSelfMix.

كما أثبتت NORA كفاءتها العالية في البيئات الأقل تلوثًا، حيث حققت أفضل معدلات الدقة وMacro F1 وWeighted F1 في توقعات اسم المفهوم وعلاقات الزمن، مع الحفاظ على تنافس قوي في توقع المقاييس والعلامات. هذه النتائج تبرز أهمية النمذجة المشتركة لمجموعة غنية من سمات الكيانات المالية الرقمية مع أخذ الضوضاء في الاعتبار.