論文の概要: High-Stakes Personalization: Rethinking LLM Customization for Individual Investor Decision-Making

• arxiv url: http://arxiv.org/abs/2604.04300v1
• Date: Sun, 05 Apr 2026 22:45:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.035031
• Title: High-Stakes Personalization: Rethinking LLM Customization for Individual Investor Decision-Making
• Title（参考訳）: ハイテイクパーソナライゼーション:個人投資家の意思決定におけるLCMカスタマイズの再考
• Authors: Yash Ganpat Sawant,
• Abstract要約: 我々は、個人投資家の意思決定がLLMのパーソナライゼーションに固有の挑戦的な領域を提示していると論じる。 標準LLMのカスタマイズにおいて、個々の投資が基本的な制限を露呈する4つの軸を識別する。 本研究では,ハイテイクかつ時間的に拡張された意思決定領域におけるパーソナライズされたNLPのためのオープンな研究方向を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personalized LLM systems have advanced rapidly, yet most operate in domains where user preferences are stable and ground truth is either absent or subjective. We argue that individual investor decision-making presents a uniquely challenging domain for LLM personalization - one that exposes fundamental limitations in current customization paradigms. Drawing on our system, built and deployed for AI-augmented portfolio management, we identify four axes along which individual investing exposes fundamental limitations in standard LLM customization: (1) behavioral memory complexity, where investor patterns are temporally evolving, self-contradictory, and financially consequential; (2) thesis consistency under drift, where maintaining coherent investment rationale over weeks or months strains stateless and session-bounded architectures; (3) style-signal tension, where the system must simultaneously respect personal investment philosophy and surface objective evidence that may contradict it; and (4) alignment without ground truth, where personalization quality cannot be evaluated against a fixed label set because outcomes are stochastic and delayed. We describe the architectural responses that emerged from building the system and propose open research directions for personalized NLP in high-stakes, temporally extended decision domains.
• Abstract（参考訳）: パーソナライズされたLLMシステムは急速に進歩しているが、ほとんどの場合、ユーザの好みが安定しており、真実が欠落しているか主観的である領域で運用されている。 個人投資家による意思決定は、LLMパーソナライゼーションのユニークな挑戦的な領域である、と我々は主張する。 AIを付加したポートフォリオ管理のために構築、展開されたシステムに基づいて、(1)投資家パターンが時間的に進化し、自己コントラクタリーで、経済的に整合性のある行動記憶の複雑さ、(2)何週間、何ヶ月もの間、一貫性のある投資の合理性を維持し、ステートレスでセッションバウンドなアーキテクチャ、(3)システムがそれと矛盾する可能性のある個人的投資の哲学と表面的客観的証拠を同時に尊重しなければならないスタイルとシグナルの緊張、(4)個人化の品質が固定化されたラベルセットに対して評価できない基礎的事実のない調整、の4つの軸を識別する。 本稿では,システム構築から現れたアーキテクチャ応答について述べるとともに,高度かつ時間的に拡張された意思決定領域におけるパーソナライズされたNLPのためのオープンな研究方向を提案する。

関連論文リスト

• AlpsBench: An LLM Personalization Benchmark for Real-Dialogue Memorization and Preference Alignment [54.72137309071243]
  AlpsBenchはWildChatからキュレートされた2500の長期的相互作用配列から構成され、人間によって検証された構造化記憶と組み合わせられる。 我々は、パーソナライズされた情報抽出、更新、検索、利用の4つの重要なタスクを定義し、メモリ管理のライフサイクル全体を評価するためのプロトコルを確立する。 i)モデルが潜在ユーザ特性を確実に抽出するのに苦労していること、(ii)メモリ更新が最強モデルでもパフォーマンス天井に直面すること、(iii)大きなイントラクタプールの存在下での検索精度が急激に低下すること、(iv)明示的なメモリ機構がリコールを改善する一方で、リコールは行わないこと、などである。
  論文  参考訳（メタデータ） (2026-03-09T11:06:19Z)
• AIvilization v0: Toward Large-Scale Artificial Social Simulation with a Unified Agent Architecture and Adaptive Agent Profiles [15.355738327147558]
  AIvilization v0は、リソース制限されたサンドボックス経済とLLMエージェントアーキテクチャを結合した、一般公開された大規模な人工社会である。 この環境は、生理的生存コスト、置換不可能な多層生産、AMMベースの価格体系、ゲート型教育占領システムを統合している。 我々は、鍵となるスタイル化された事実を再現し、教育やアクセス制限によって構築された富の成層化を生み出す安定した市場を見出した。
  論文  参考訳（メタデータ） (2026-02-11T02:18:15Z)
• Making LLMs Reliable When It Matters Most: A Five-Layer Architecture for High-Stakes Decisions [51.56484100374058]
  現在の大規模言語モデル(LLM)は、実行前にアウトプットをチェックできるが、不確実な結果を伴う高い戦略決定には信頼性が低い検証可能な領域で優れている。 このギャップは、人間と人工知能(AI)システムの相互認知バイアスによって引き起こされ、そのセクターにおける評価と投資の持続可能性の保証を脅かす。 本報告では、7つのフロンティアグレードLDMと3つの市場向けベンチャーヴィグネットの時間的圧力下での系統的質的評価から生まれた枠組みについて述べる。
  論文  参考訳（メタデータ） (2025-11-10T22:24:21Z)
• Personalized Reasoning: Just-In-Time Personalization and Why LLMs Fail At It [81.50711040539566]
  現在の大規模言語モデル(LLM)開発は、タスク解決と優先順位調整を別の課題として扱う。 静的ベンチマークを対話型パーソナライズタスクに変換する評価手法であるPreFDISCOを紹介する。 我々のフレームワークは、ユーザコンテキストに応じて、同じ質問が異なる推論チェーンを必要とするシナリオを作成します。
  論文  参考訳（メタデータ） (2025-09-30T18:55:28Z)
• LLM-Enhanced Black-Litterman Portfolio Optimization [30.37210534945387]
  本研究では,大言語モデルからの回帰予測と予測の不確実性をブラック・リッターマンモデルのコア入力に変換する体系的なフレームワークを提案し,検証する。 S&P 500 構成成分のバックテストを通じて、最高性能の LLM によって駆動されるポートフォリオが、絶対的およびリスク調整された両項において従来のベースラインを大きく上回っていることを示す。
  論文  参考訳（メタデータ） (2025-04-19T16:26:14Z)
• A Survey on Post-training of Large Language Models [185.51013463503946]
  大規模言語モデル(LLM)は、自然言語処理を根本的に変革し、会話システムから科学的探索まで、さまざまな領域で欠かせないものにしている。 これらの課題は、制限された推論能力、倫理的不確実性、最適なドメイン固有のパフォーマンスといった欠点に対処するために、先進的な訓練後言語モデル(PoLM)を必要とする。 本稿では,タスク固有の精度を向上するファインチューニング,倫理的コヒーレンスと人間の嗜好との整合性を保証するアライメント,報酬設計の課題によらず多段階の推論を進める推論,統合と適応の5つのパラダイムを体系的に追跡したPoLMの総合的な調査について述べる。
  論文  参考訳（メタデータ） (2025-03-08T05:41:42Z)
• Inference of Utilities and Time Preference in Sequential Decision-Making [3.823356975862005]
  本稿では,自動投資マネージャやロボアドバイザの能力を高めるための新しい制御フレームワークを提案する。 本稿では,各クライアントのリスク許容度,日々の消費評価,重要な生活目標に合わせた,実用機能と時間変化率の一般的な割引スキームを組み込んだ連続時間モデルを提案する。 提案する枠組みは、個別の投資アドバイスを改善することで金融技術の進歩だけでなく、医療、経済学、人工知能など他の分野にも広く貢献する。
  論文  参考訳（メタデータ） (2024-05-24T23:13:56Z)

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。