論文の概要: Your AI, On a Dial: Controlling Investment Bias in LLMs with a Single Neuron

• arxiv url: http://arxiv.org/abs/2608.22852v1
• Date: Mon, 24 Aug 2026 06:33:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.906169
• Title: Your AI, On a Dial: Controlling Investment Bias in LLMs with a Single Neuron
• Title（参考訳）: ひとつのニューロンでLSMの投資バイアスを制御するAI
• Abstract要約: モデル全体の投資姿勢が、特定の方向と強さに調整できるかどうかを検討する。 我々は、単一ニューロンに対する推測時間介入である投資バイアスダイヤルを導入する。 このダイヤルは、プロンプトやモデルパラメータを変更することなく、投資姿勢の単調な変化を生じさせる。
• 参考スコア（独自算出の注目度）: 76.4407829130164
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) are increasingly used in investment decision-making, yet prior work shows that they exhibit systematic, model-specific investment preferences. We study whether a model's overall investment stance can be calibrated to a specified direction and strength. We introduce an investment-bias dial, an inference-time intervention on a single neuron that continuously adjusts a model-level decision prior---its overall tendency toward buying or selling---without targeting specific firms or investment attributes. Using matched positive and negative evidence, we evaluate five open-weight LLMs and find that the dial produces monotonic changes in investment stance without modifying prompts or model parameters. At the response level, the dial shifts both investment decisions and the evidential emphasis of generated rationales under identical inputs. In an agentic retrieval setting, the dial also changes what information the model searches for, which evidence it selects, and which evidence is reflected in its final analysis. In a long-context evaluation, the dial maintains stable stance control as context length increases, whereas a matched system-prompt instruction progressively attenuates. We further show that changes in the dial propagate to security rankings and downstream portfolio composition in an exploratory backtest. Overall, our results show that an LLM's aggregate investment stance can be calibrated toward a specified target at inference time.
• Abstract（参考訳）: 大規模言語モデル (LLMs) は、投資決定にますます使われているが、以前の研究は、それらが体系的な、モデル固有の投資嗜好を示すことを示している。 モデル全体の投資姿勢が、特定の方向と強さに調整できるかどうかを検討する。 我々は、特定の企業や投資属性を対象とせずに、モデルレベルの意思決定を継続的に調整する、単一のニューロンに対する推論時介入である投資バイアスダイヤルを導入する。 一致した正および負の証拠を用いて、5つのオープンウェイトLCMを評価し、ダイアルがプロンプトやモデルパラメータを変更することなく、投資姿勢の単調な変化を生じることを発見した。 応答レベルでは、ダイアルは投資決定と、同じ入力の下で生成された有理性を明確に強調することの両方をシフトする。 エージェント検索設定では、ダイアルはモデルが検索する情報、どのエビデンス、どのエビデンスを最終分析に反映するかも変更する。 長いコンテキスト評価では、コンテキスト長が増加するにつれて、ダイヤルは安定した姿勢制御を維持し、マッチしたシステムプロンプト命令は徐々に減衰する。 さらに、探索バックテストにおいて、ダイヤルの変化がセキュリティランキングや下流ポートフォリオの構成に影響を及ぼすことを示す。 以上の結果から,LLMの総合的投資姿勢は,推定時において特定の目標に向かって調整可能であることが示唆された。

関連論文リスト

• One Size Fits None: Heuristic Collapse in LLM Investment Advice [0.0]
  大規模言語モデルは、ハイテイクドメインのアドバイザとしてますます多くデプロイされている。 我々は、フロンティアLSMが実際にこれを行うか、代わりに崩壊を示すかを検討する。 投資配分の決定は、主に自己申告されたリスク寛容によって決定されるが、他の関連する要因は最小限に寄与する。
  論文  参考訳（メタデータ） (2026-04-26T18:45:11Z)
• High-Stakes Personalization: Rethinking LLM Customization for Individual Investor Decision-Making [0.0]
  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。
  論文  参考訳（メタデータ） (2026-04-05T22:45:33Z)
• Reasoning with Confidence: Efficient Verification of LLM Reasoning Steps via Uncertainty Heads [104.9566359759396]
  データ駆動の不確実性スコアに基づくステップレベルの推論検証の軽量な代替案を提案する。 本研究は, LLMの内部状態が不確実性を符号化し, 信頼性の高い検証信号として機能することが示唆された。
  論文  参考訳（メタデータ） (2025-11-09T03:38:29Z)
• Your AI, Not Your View: The Bias of LLMs in Investment Analysis [62.388554963415906]
  金融において、Large Language Models (LLMs) は、事前訓練されたパラメトリック知識とリアルタイム市場データとの相違から生じる、頻繁な知識紛争に直面している。 これらの対立は、モデル固有のバイアスが制度的目的と誤認される現実世界の投資サービスにおいて特に問題となる。 本研究では,このような紛争シナリオにおける創発的行動を調べるための実験的枠組みを提案し,投資分析におけるバイアスの定量的分析を行う。
  論文  参考訳（メタデータ） (2025-07-28T16:09:38Z)
• UProp: Investigating the Uncertainty Propagation of LLMs in Multi-Step Agentic Decision-Making [47.64013151246807]
  大規模言語モデル(LLM)は、シーケンシャルな意思決定を含む安全クリティカルなアプリケーションに統合される。 既存のLLM Uncertainty Quantification (UQ) 法は、主にシングルターン質問応答形式のために設計されている。 LLMシーケンシャルな決定の不確かさを2つの部分に分解する原理的情報理論フレームワークを導入する。
  論文  参考訳（メタデータ） (2025-06-20T18:34:04Z)
• 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)
• Exposing Product Bias in LLM Investment Recommendation [35.192944979712394]
  大規模言語モデル(LLM)は、新しい世代のレコメンデーションエンジンとして、強力な要約とデータ分析機能を持っている。 本稿では, LLM投資推奨において, LLMが特定の商品に対して体系的な嗜好を示す新たな製品バイアスを明らかにする。 このような好みは、ユーザーの投資決定に微妙に影響を及ぼし、製品や金融バブルの評価が膨らむ可能性がある。
  論文  参考訳（メタデータ） (2025-03-11T13:10:00Z)
• ReEval: Automatic Hallucination Evaluation for Retrieval-Augmented Large Language Models via Transferable Adversarial Attacks [91.55895047448249]
  本稿では,LLMベースのフレームワークであるReEvalについて述べる。 本稿では、ChatGPTを用いてReEvalを実装し、2つの人気のあるオープンドメインQAデータセットのバリエーションを評価する。 我々の生成したデータは人間可読であり、大きな言語モデルで幻覚を引き起こすのに役立ちます。
  論文  参考訳（メタデータ） (2023-10-19T06:37:32Z)
• Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection [74.51523859064802]
  我々は、自己回帰検索拡張生成(Self-RAG)と呼ばれる新しいフレームワークを導入する。 自己RAGは、検索と自己回帰によってLMの品質と事実性を高める。 様々なタスクセットにおいて、最先端のLCMや検索強化モデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-10-17T18:18:32Z)

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。