基于超图的多模态学习 with LLM 推理与风格结构混合专家
人工智能
2025-10-30 v1
摘要
股票走势预测因复杂的时间依赖、异构模态以及动态演变的股票间关系而始终具有根本性挑战。现有方法往往难以在可扩展框架内统一结构、语义和准则自适应建模。本文引入 H3M-SSMoEs，一种基于超图的多模态架构，集成 LLM 推理与风格结构混合专家，具三大创新：(1) 多情境多模态超图，通过局部情境超图 (LCH) 和全球情境超图 (GCH) 分层捕获细粒度时空动力学，运用共享跨模态超边和 Jensen-Shannon 散度加权机制实现自适应关系学习与跨模态对齐；(2) LLM 增强推理模块，利用冻结的大语言模型配合轻量化适配器，对定量和文本模态进行语义融合与对齐，引入领域特定金融知识丰富表征；(3) 风格结构混合专家 (SSMoEs)，组合共享市场专家与行业专业化专家，每个参数化的可学习风格向量实现准则感知下的稀疏激活专业化。三大主要股票市场的实验表明，H3M-SSMoEs 在预测准确度和投资收益方面均优于当前最先进方法，同时展现出有效的风险控制能力。数据集、源代码及模型权重已提供于 GitHub 仓库: https://github.com/PeilinTime/H3M-SSMoEs。
引用
@article{arxiv.2510.25091,
title = {H3M-SSMoEs: Hypergraph-based Multimodal Learning with LLM Reasoning and Style-Structured Mixture of Experts},
author = {Peilin Tan and Liang Xie and Churan Zhi and Dian Tu and Chuanqi Shi},
journal= {arXiv preprint arXiv:2510.25091},
year = {2025}
}