論文の概要: FIRME: Registry-Anchored Memory Graphs for Evolving, Heterogeneous Investor Knowledge
- arxiv url: http://arxiv.org/abs/2610.40482v1
- Date: Thu, 29 Oct 2026 17:13:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-01 01:32:10.119016
- Title: FIRME: Registry-Anchored Memory Graphs for Evolving, Heterogeneous Investor Knowledge
- Title（参考訳）: FIRME: 進化・不均一な研究者知識のためのレジストリ型メモリグラフ
- Abstract要約: メモリ進化のためのFusion and Identity Registry(FIRME)を紹介する。
FIRMEは、受信した観測を永続的な関係に整合させ、そのソース、時間、コンテキストを保持する。
我々は、プロプライエタリな投資家コールとキャッシュフローの記録、およびS&P 500の収支コールの書き起こしについてFIRMEを評価する。
- 参考スコア（独自算出の注目度）: 0.9558392439655014
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Financial AI workflows that reuse investor knowledge need persistent memory that integrates observations across sources and periods without losing identity or provenance. In a knowledge graph, recurring observations may use different surface forms, fragmenting relationship histories and preventing evidence from accumulating. We introduce Fusion and Identity Registry for Memory Evolution (FIRME), a registry-anchored memory graph that reconciles incoming observations to persistent canonical relationships and retains their source, time, and context. Within periods, rule-based fusion links investor-call discussions to portfolio cash-flow signals, directly or through a fixed product-topic ontology. Across periods, canonical identities and persistent aliases direct recurring observations to the same relationship history; deterministic updates summarize reinforcement, inactivity, and reactivation. We evaluate FIRME on proprietary investor-call and cash-flow records and on S&P 500 earnings-call transcripts. Compared with a historical registry that retains canonical identities and semantic fallback but omits alias memory, FIRME increases final-period Correct Match Rate by 7.8-12.1 percentage points across four dataset-backend settings under a fixed-judge and fallback-review protocol. A blinded human audit of 200 incoming observations per setting finds Correct Match Rate gains of 9.0-16.5 points and reattachment-recall gains of 22.5-29.0 points, with higher observed merge precision in all four samples. A separate audit finds valid evidence paths for 293 of 300 outputs from full within-period fusion in the investor-call setting. Extraction-faithfulness and round-trip diagnostics assess source grounding and preservation of extractor-derived graph content.
- Abstract（参考訳）: 投資家の知識を再利用する金融AIワークフローは、アイデンティティや証明を失うことなく、ソースや期間にわたって観察を統合する永続的なメモリを必要とする。
知識グラフでは、繰り返し観測は異なる表面形態、断片化関係の歴史、証拠の蓄積を防ぐことができる。
本稿では,Ision and Identity Registry for Memory Evolution (FIRME)を紹介した。
期間内に、ルールベースの融合は投資家の電話会議をリンクし、直接または固定された製品トピックオントロジーを通じてキャッシュフローシグナルをポートフォリオ化する。
期間、正統的なアイデンティティ、持続的なエイリアスにより、同じ関係履歴への直接的な再帰的な観測が行われ、決定論的な更新は強化、不活性、再活性化を要約する。
我々は、プロプライエタリな投資家コールとキャッシュフローの記録、およびS&P 500の収支コールの書き起こしについてFIRMEを評価する。
標準IDとセマンティックフォールバックを保持するが、エイリアスメモリを省略する履歴レジストリと比較すると、FIRMEは固定ジョブおよびフォールバック・リビュープロトコルの下で4つのデータセットバックエンド設定に対して、最終周期の正確なマッチング率を7.8-12.1ポイント向上させる。
ブラインドされた人間の検査では、1セットあたり200回の正確なマッチングレートの利得が9.0-16.5点、再着脱-リコールの利得が22.5-29.0点となり、4つのサンプルでより高いマージ精度が得られた。
別途の監査では、投資家コール設定において、300のアウトプットのうち293の有効証拠パスが期間内核融合から発見される。
抽出-信頼度とラウンドトリップ診断は、抽出器由来のグラフコンテンツのソースグラウンド化と保存を評価する。
関連論文リスト
- ActionRAG: Evidence-Refining Graph Diffusion for Long-Term Memory in LLM Agents [0.0]
ActionRAGは、クエリ時間グラフの再評価と慎重なインデックス付けを結合したグラフメモリアーキテクチャである。
我々は、正確な検索、コンフリクト解決、長距離理解、テストタイム学習をテストするMemoryAgentBench(MAB)のActionRAGを評価する。
論文 参考訳（メタデータ） (2026-10-23T14:59:37Z) - ReplayLens: Auditing Agents' Use of Outcomes [16.745093090677475]
エージェントがログ化された経験を再利用すると、変更した決定は記録されたスコア、アクション名、記憶中のレコードの位置を反映する。
ReplayLensは、保存された履歴の1つの関係を一度に変更し、残りのインターフェイスを固定し、その結果の判断を計測するブラックボックス監査である。
論文 参考訳（メタデータ） (2026-09-28T02:56:32Z) - BridgeMem: Causal Dyadic Transition Residuals for Temporal Knowledge Graph Forecasting [7.386042063378315]
そこで,BridgeMemを導入し,クエリアクタと候補との事前関係がターゲット関係の確率を変化させる方法を推定する。
各候補について、BridgeMemは、t に厳密に先行するペアのイベントを検索し、それらの関係、方向、ラグをエンコードし、それらを確率比補正に変換する。
5つのベンチマークで、BridgeMemは2021年から2026年までの9つのベースラインで、フィルタされた20のMRRとHits@1,3,10の比較を最強に改善した。
論文 参考訳（メタデータ） (2026-09-24T09:05:43Z) - Your AI, On a Dial: Controlling Investment Bias in LLMs with a Single Neuron [76.4407829130164]
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。
論文 参考訳（メタデータ） (2026-08-24T06:33:02Z) - MemOps: Benchmarking Lifecycle Memory Operations in Long-Horizon Conversations [50.24315431387575]
ライフサイクル操作のシーケンスとして会話メモリを再構成するベンチマークであるMemOpsを紹介する。
MemOpsは、それぞれのメモリイベントをトリガ、ターゲット、スコープ、状態遷移、エビデンスを指定した構造化トレースで表現する。
長いコンテキスト、検索ベース、パラメトリック、マネージドメモリシステムにわたって、MemOpsはファイナ・アンサーの精度のみを隠蔽する障害モードをアンタングルする。
論文 参考訳（メタデータ） (2026-07-14T15:33:44Z) - RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。
本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。
累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
論文 参考訳（メタデータ） (2026-06-23T02:11:04Z) - Belief Memory: Agent Memory Under Partial Observability [56.41506249481312]
本稿では,メモリパラダイムを観測毎に1つの結論にシフトし,その確率で複数の結論を導出するBeliefMemを提案する。
BeliefMemは決定論的パラダイムが破棄されるという不確実性を保ち、エージェントが高い信頼を持って行動することを可能にする。
LoCoMoとALFWorldベンチマークの実証的な評価は、限られたデータであっても、BeliefMemが最高の平均パフォーマンスを達成することを示している。
論文 参考訳（メタデータ） (2026-05-07T02:03:13Z) - Self-Aware Vector Embeddings for Retrieval-Augmented Generation: A Neuroscience-Inspired Framework for Temporal, Confidence-Weighted, and Relational Knowledge [0.0]
現代の検索拡張生成(RAG)システムは、ベクトル埋め込みを静的で文脈に依存しないアーティファクトとして扱う。
このフレームワークは,3つの明示的な特性 – 時間的認識,信頼の低下,関係的認識 – で密着な埋め込みを強化するものだ。
論文 参考訳（メタデータ） (2026-04-22T14:13:50Z) - FRESCO: Benchmarking and Optimizing Re-rankers for Evolving Semantic Conflict in Retrieval-Augmented Generation [73.22935457705057]
時間的動的文脈における再ランカ評価のためのベンチマークであるFRESCOを紹介する。
レクエンシ検索クエリと過去のウィキペディアのリビジョンを組み合わせることで、FRESCOは、セマンティックな関連性を維持しながら、リランカが事実として最新の証拠を優先順位付けできるかどうかをテストする。
我々の評価では、既存の再ランカ間で一貫した障害モードが明らかになっている。
論文 参考訳（メタデータ） (2026-04-14T17:04:25Z)
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。