策略归纳：基于可解释记忆增强上下文学习预测初创企业成功
人工智能
2025-06-05 v2 机器学习
摘要
早期初创企业投资是一项高风险的 endeavor，其特征是数据稀缺且结果不确定。传统机器学习方法通常需要大型标注数据集和大量微调，但仍然不透明，领域专家难以解释或改进。在本文中，我们提出了一个透明且数据高效的投资决策框架，该框架由使用上下文学习 (ICL) 的记忆增强大型语言模型 (LLM) 驱动。我们方法的核心是直接嵌入 LLM 提示的自然语言策略，使模型能够应用显式推理模式，并允许人类专家轻松解释、审计和迭代改进逻辑。我们引入了一个轻量级训练过程，将少样本学习与上下文学习循环相结合，使 LLM 能够根据结构化反馈迭代更新其决策策略。在仅有最少监督且无基于梯度的优化的情况下，我们的系统预测初创企业成功的准确性远高于现有基准。它比随机猜测（成功率为 1.9%）精确 20 倍以上，也比顶级风险投资 (VC) 公司 5.6% 的典型成功率精确 7.1 倍。
引用
@article{arxiv.2505.21427,
title = {Policy Induction: Predicting Startup Success via Explainable Memory-Augmented In-Context Learning},
author = {Xianling Mu and Joseph Ternasky and Fuat Alican and Yigit Ihlamur},
journal= {arXiv preprint arXiv:2505.21427},
year = {2025}
}