論文の概要: TRACE: Temporal Rule-Anchored Chain-of-Evidence on Knowledge Graphs for Interpretable Stock Movement Prediction

• arxiv url: http://arxiv.org/abs/2603.12500v1
• Date: Thu, 12 Mar 2026 22:41:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:11.796539
• Title: TRACE: Temporal Rule-Anchored Chain-of-Evidence on Knowledge Graphs for Interpretable Stock Movement Prediction
• Title（参考訳）: TRACE:解釈可能な株価変動予測のための知識グラフの時間的規則アンコレート・チェーン・オブ・エビデンス
• Authors: Qianggang Ding, Haochen Shi, Luis Castejón Lozano, Miguel Conner, Juan Abia, Luis Gallego-Ledesma, Joshua Fellowes, Gerard Conangla Planes, Adam Elwood, Bang Liu,
• Abstract要約: 本稿では,ストックムーブメント予測のための知識グラフに時間的ルールアンコレート・チェーン・オブ・エビデンス(TRACE)を提示する。 S&P500ベンチマークでは、55.1%の精度、55.7%の精度、71.5%のリコール、60.8%のF1が達成されている。 利得は、(i)任意の歩行よりも経済的に意味のあるモチーフを探索することに焦点を当てたルール誘導探索と、(ii)高信頼で完全に根拠のある仮説を集約するテキスト接地統合に起因している。
• 参考スコア（独自算出の注目度）: 23.985633276560844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a Temporal Rule-Anchored Chain-of-Evidence (TRACE) on knowledge graphs for interpretable stock movement prediction that unifies symbolic relational priors, dynamic graph exploration, and LLM-guided decision making in a single end-to-end pipeline. The approach performs rule-guided multi-hop exploration restricted to admissible relation sequences, grounds candidate reasoning chains in contemporaneous news, and aggregates fully grounded evidence into auditable \texttt{UP}/\texttt{DOWN} verdicts with human-readable paths connecting text and structure. On an S\&P~500 benchmark, the method achieves 55.1\% accuracy, 55.7\% precision, 71.5\% recall, and 60.8\% F1, surpassing strong baselines and improving recall and F1 over the best graph baseline under identical evaluation. The gains stem from (i) rule-guided exploration that focuses search on economically meaningful motifs rather than arbitrary walks, and (ii) text-grounded consolidation that selectively aggregates high-confidence, fully grounded hypotheses instead of uniformly pooling weak signals. Together, these choices yield higher sensitivity without sacrificing selectivity, delivering predictive lift with faithful, auditably interpretable explanations.
• Abstract（参考訳）: 本稿では,シンボル関係を統一したストックムーブメント予測,動的グラフ探索,単一エンドツーエンドパイプラインにおけるLCM誘導決定を行うための知識グラフについて,時間的ルールアンカレート・チェーン・オブ・エビデンス(TRACE)を提示する。 この手法は、許容される関係列に制限されたルール誘導マルチホップ探索を行い、同時ニュースにおける候補推論連鎖を根拠に、完全に根拠のある証拠を監査可能な \texttt{UP}/\texttt{DOWN} に集約し、テキストと構造を接続する人間可読パスで検証する。 S\&P~500のベンチマークでは、55.1\%の精度、55.7\%の精度、71.5\%のリコール、60.8\%のF1が、強いベースラインを超え、同じ評価の下で最高のグラフベースライン上でリコールとF1を改善する。 利得の源泉は 一 任意の散歩よりも経済的に有意義なモチーフの探索に焦点をあてる規則付き探検、及び (II) 弱信号の一様プールに代えて, 高信頼, 完全基底仮説を選択的に集約するテキスト基底の統合。 これらの選択は、選択性を犠牲にすることなく高い感度をもたらし、忠実で聴覚的に解釈可能な説明で予測リフトを提供する。

関連論文リスト

• Improving Search Agent with One Line of Code [68.58667107354253]
  ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。 textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-10T04:07:39Z)
• LLM-Grounded Explainable AI for Supply Chain Risk Early Warning via Temporal Graph Attention Networks [0.5653106385738822]
  重要な物流ノードの破壊は、世界的なサプライチェーンに深刻なリスクをもたらす。 本稿では,ボトルネック予測と忠実な自然言語リスク説明を共同で行うエビデンス基盤フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-05T05:07:40Z)
• Balancing Faithfulness and Performance in Reasoning via Multi-Listener Soft Execution [79.98699884805636]
  Reasoning Execution by Multiple Listeners (REMUL) は多人数の強化学習手法である。 REMULは、推論が他の当事者に従えるかがより忠実になるという仮説に基づいている。 スピーカーは、リスナーにとって明らかな推論を生み出すことで報われます。
  論文  参考訳（メタデータ） (2026-02-18T02:55:55Z)
• Directional Reasoning Trajectory Change (DRTC): Identifying Critical Trace Segments in Reasoning Models [0.0]
  Directional Reasoning Trajectory Change (DRTC) は、単一のオン政治ロールアウトからロングフォーム推論を解釈するためのプロセス因果的なフレームワークである。 DRTCは不確実性と分布シフト信号を用いてピボット決定点を検出する。 各介入がモデルのログ確率軌道の方向をリダイレクトするかどうかを測定する。
  論文  参考訳（メタデータ） (2026-02-17T03:38:16Z)
• Breaking the Static Graph: Context-Aware Traversal for Robust Retrieval-Augmented Generation [12.71443292660797]
  堅牢なRAGのためのコンテキスト認識トラバーサルであるCatRAGを提案する。 CatRAGはHippoRAG 2アーキテクチャ上に構築され、静的なKGをクエリ適応ナビゲーション構造に変換する。 4つのマルチホップベンチマークの実験では、CatRAGはアートベースラインの状態を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-02T11:13:38Z)
• Look As You Think: Unifying Reasoning and Visual Evidence Attribution for Verifiable Document RAG via Reinforcement Learning [55.232400251303794]
  Look As You Think (LAT)は、モデルをトレーニングし、一貫した帰属性を持った検証可能な推論パスを生成するための強化学習フレームワークである。 LATはシングルイメージとマルチイメージの両方でバニラモデルを一貫して改善し、平均ゲインは8.23%、IoU@0.5では47.0%となる。
  論文  参考訳（メタデータ） (2025-11-15T02:50:23Z)
• Efficient Thought Space Exploration through Strategic Intervention [54.35208611253168]
  本稿では,この知見を2つの相乗的コンポーネントを通して操作するHint-Practice Reasoning(HPR)フレームワークを提案する。 フレームワークの中核となる革新は、動的に介入点を識別する分散不整合低減(DIR)である。 算術的および常識的推論ベンチマークによる実験は、HPRの最先端の効率-精度トレードオフを実証している。
  論文  参考訳（メタデータ） (2025-11-13T07:26:01Z)
• Path-of-Thoughts: Extracting and Following Paths for Robust Relational Reasoning with Large Language Models [62.12031550252253]
  本稿では,関係推論に対処するための新しいフレームワークであるPath-of-Thoughts(PoT)を提案する。 PoTは、問題コンテキスト内の重要なエンティティ、関係、属性を識別するタスクに依存しないグラフを効率的に抽出する。 PoTは、提案された質問に対応するグラフ内の関連する推論連鎖を特定し、潜在的な答えの推論を容易にする。
  論文  参考訳（メタデータ） (2024-12-23T20:27:12Z)
• PCPL: Predicate-Correlation Perception Learning for Unbiased Scene Graph Generation [58.98802062945709]
  本稿では,適切な損失重みを適応的に求めるための新しい述語相関知覚学習手法を提案する。 我々のPCPLフレームワークは、文脈特徴をよりよく抽出するグラフエンコーダモジュールも備えています。
  論文  参考訳（メタデータ） (2020-09-02T08:30:09Z)

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。