論文の概要: The Gaining Paths to Investment Success: Information-Driven LLM Graph Reasoning for Venture Capital Prediction

• arxiv url: http://arxiv.org/abs/2512.23489v2
• Date: Sat, 03 Jan 2026 15:00:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 14:31:43.660658
• Title: The Gaining Paths to Investment Success: Information-Driven LLM Graph Reasoning for Venture Capital Prediction
• Title（参考訳）: 投資成功への道のり:ベンチャーキャピタリスト予測のための情報駆動型LCMグラフ推論
• Authors: Haoyu Pei, Zhongyang Liu, Xiangyi Xiao, Xiaocong Du, Suting Hong, Kunpeng Zhang, Haipeng Zhang,
• Abstract要約: ほとんどのベンチャーキャピタル(VC)投資は失敗し、一部の投資家は大きなリターンを出している。 MIRAGE-VCは,経路の爆発と不均一なエビデンス融合という2つの障害に対処する多視点検索拡張生成フレームワークである。 MIRAGE-VCは厳格なアンチリーカジコントロールの下で、+5.0%のF1と+16.6%のPrecisionAt5を達成し、他のオフグラフ予測タスクに光を当てる。
• 参考スコア（独自算出の注目度）: 11.661060447479086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most venture capital (VC) investments fail, while a few deliver outsized returns. Accurately predicting startup success requires synthesizing complex relational evidence, including company disclosures, investor track records, and investment network structures, through explicit reasoning to form coherent, interpretable investment theses. Traditional machine learning and graph neural networks both lack this reasoning capability. Large language models (LLMs) offer strong reasoning but face a modality mismatch with graphs. Recent graph-LLM methods target in-graph tasks where answers lie within the graph, whereas VC prediction is off-graph: the target exists outside the network. The core challenge is selecting graph paths that maximize predictor performance on an external objective while enabling step-by-step reasoning. We present MIRAGE-VC, a multi-perspective retrieval-augmented generation framework that addresses two obstacles: path explosion (thousands of candidate paths overwhelm LLM context) and heterogeneous evidence fusion (different startups need different analytical emphasis). Our information-gain-driven path retriever iteratively selects high-value neighbors, distilling investment networks into compact chains for explicit reasoning. A multi-agent architecture integrates three evidence streams via a learnable gating mechanism based on company attributes. Under strict anti-leakage controls, MIRAGE-VC achieves +5.0% F1 and +16.6% PrecisionAt5, and sheds light on other off-graph prediction tasks such as recommendation and risk assessment. Code: https://anonymous.4open.science/r/MIRAGE-VC-323F.
• Abstract（参考訳）: ほとんどのベンチャーキャピタル(VC)投資は失敗し、一部の投資家は大きなリターンを出している。 スタートアップの成功を正確に予測するには、企業開示、投資家の追跡記録、投資ネットワーク構造などの複雑な関係証拠を、一貫性のある、解釈可能な投資要素を形成する明示的な推論を通じて合成する必要がある。 従来の機械学習とグラフニューラルネットワークには、この推論能力がない。 大規模言語モデル(LLM)は強力な推論を提供するが、グラフとのモダリティミスマッチに直面している。 最近のグラフ-LLM法は、答えがグラフ内にあるグラフ内タスクをターゲットにしているが、VC予測はオフグラフであり、ターゲットはネットワーク外に存在する。 主な課題は、ステップバイステップの推論を可能にしながら、外部目標に対する予測性能を最大化するグラフパスを選択することである。 MIRAGE-VCは、経路爆発(LLMコンテキストを圧倒する候補経路の数)と異種エビデンス融合(異なるスタートアップは異なる分析的強調を必要とする)という2つの障害に対処する多視点検索拡張生成フレームワークである。 情報ゲイン駆動経路レトリバーは、高価値隣人を反復的に選択し、明示的な推論のために投資ネットワークをコンパクトチェーンに蒸留する。 マルチエージェントアーキテクチャは、企業属性に基づいた学習可能なゲーティングメカニズムを通じて、3つのエビデンスストリームを統合する。 MIRAGE-VCは厳格な解凍防止の下でF1+5.0%、PrecisionAt5+16.6%を達成し、推奨やリスク評価といった他のオフグラフ予測タスクに光を当てている。 コード:https://anonymous.4open.science/r/MIRAGE-VC-323F

関連論文リスト

• LLM Agents as VC investors: Predicting Startup Success via RolePlay-Based Collective Simulation [13.180519641845398]
  SimVC-CASは、ベンチャーキャピタルの意思決定をマルチエージェントインタラクションプロセスとしてシミュレートする、新しい総合エージェントシステムである。 我々は,SimVC-CASが解釈可能な多パースペクティブ推論を提供しながら,予測精度を著しく向上することを示した。
  論文  参考訳（メタデータ） (2025-12-27T14:34:44Z)
• Deep But Reliable: Advancing Multi-turn Reasoning for Thinking with Images [53.373427633330515]
  DRIMは,マルチモーダルCoTの画像について考える際に,深層かつ信頼性の高いマルチターン推論を可能にするモデルである。 高精細画像データセットに基づいて,高精細かつ検証可能な視覚的問合せ対を構築する。 SFTの段階では,ツールトラジェクトリをコールドスタートデータとして収集し,マルチターン推論パターンを導出する。 RLの段階では、冗長性を考慮したポリシー最適化を導入し、自己反射的推論パターンを開発するためのモデルにインセンティブを与える。
  論文  参考訳（メタデータ） (2025-12-19T07:44:43Z)
• Learning to Manage Investment Portfolios beyond Simple Utility Functions [0.9999629695552193]
  本稿では,明示的なユーティリティ仕様を必要とせずに,資金運用戦略の潜在的表現を学習する生成フレームワークを提案する。 当社の枠組みを、米国の株式相互資金1436のデータセットで検証する。 我々のフレームワークは、市場シミュレーション、戦略属性、規制監督におけるアプリケーションの投資戦略を特徴付けるためのデータ駆動型アプローチを提供する。
  論文  参考訳（メタデータ） (2025-10-30T06:01:20Z)
• Just-in-time Episodic Feedback Hinter: Leveraging Offline Knowledge to Improve LLM Agents Adaptation [77.90555621662345]
  JEF Hinterは、オフライントレースをコンパクトでコンテキスト対応のヒントに蒸留するエージェントシステムである。 ズーム機構は、長い軌道における決定的なステップを強調し、戦略と落とし穴の両方をキャプチャする。 MiniWoB++、WorkArena-L1、WebArena-Liteの実験は、JSF Hinterが一貫して強力なベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-10-05T21:34:42Z)
• VOGUE: Guiding Exploration with Visual Uncertainty Improves Multimodal Reasoning [62.09195763860549]
  検証可能な報酬(RLVR)による強化学習は、大きな言語モデル(LLM)の推論を改善するが、探索に苦労する。 出力(テキスト)から入力(視覚)空間へ探索をシフトする新しい手法である$textbfVOGUE(Visual Uncertainty Guided Exploration)を紹介した。 本研究は,視覚入力の本質的不確実性における基盤探索が,マルチモーダル推論を改善するための効果的な戦略であることを示す。
  論文  参考訳（メタデータ） (2025-10-01T20:32:08Z)
• GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
  本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。 抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。 提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
  論文  参考訳（メタデータ） (2025-09-20T02:38:00Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• Can Graph Learning Improve Planning in LLM-based Agents? [61.47027387839096]
  言語エージェントにおけるタスクプランニングは、大規模言語モデル(LLM)の開発とともに重要な研究トピックとして浮上している。 本稿では,課題計画のためのグラフ学習に基づく手法について検討する。 我々のグラフ学習への関心は、注意のバイアスと自己回帰的損失が、グラフ上の意思決定を効果的にナビゲートするLLMの能力を妨げているという理論的な発見に起因している。
  論文  参考訳（メタデータ） (2024-05-29T14:26:24Z)
• Detecting and adapting to crisis pattern with context based Deep Reinforcement Learning [6.224519494738852]
  本稿では、2つのサブネットワークで構成された革新的なDRLフレームワークを提案する。 テストセットの結果、このアプローチはMarkowitzのような従来のポートフォリオ最適化手法を大幅に上回っており、現在のCovidのような危機を検出し予測することができる。
  論文  参考訳（メタデータ） (2020-09-07T12:11:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。