Fugu-MT 論文翻訳(概要): Large language model empowered participatory urban planning

論文の概要: Large language model empowered participatory urban planning

arxiv url: http://arxiv.org/abs/2402.01698v1
Date: Wed, 24 Jan 2024 10:50:01 GMT
ステータス: 処理完了
システム内更新日: 2024-02-11 16:39:46.057884
Title: Large language model empowered participatory urban planning
Title（参考訳）: 大言語モデルによる参加型都市計画
Authors: Zhilun Zhou, Yuming Lin, Yong Li
Abstract要約: 本研究では,大規模言語モデル(LLM)を参加型プロセスに統合した革新的な都市計画手法を提案する。このフレームワークは、LLMエージェントをベースとして、役割プレイ、共同生成、フィードバックで構成され、コミュニティレベルの土地利用タスクを1000の異なる関心事に対応させて解決する。
参考スコア（独自算出の注目度）: 5.402147437950729
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Participatory urban planning is the mainstream of modern urban planning and involves the active engagement of different stakeholders. However, the traditional participatory paradigm encounters challenges in time and manpower, while the generative planning tools fail to provide adjustable and inclusive solutions. This research introduces an innovative urban planning approach integrating Large Language Models (LLMs) within the participatory process. The framework, based on the crafted LLM agent, consists of role-play, collaborative generation, and feedback iteration, solving a community-level land-use task catering to 1000 distinct interests. Empirical experiments in diverse urban communities exhibit LLM's adaptability and effectiveness across varied planning scenarios. The results were evaluated on four metrics, surpassing human experts in satisfaction and inclusion, and rivaling state-of-the-art reinforcement learning methods in service and ecology. Further analysis shows the advantage of LLM agents in providing adjustable and inclusive solutions with natural language reasoning and strong scalability. While implementing the recent advancements in emulating human behavior for planning, this work envisions both planners and citizens benefiting from low-cost, efficient LLM agents, which is crucial for enhancing participation and realizing participatory urban planning.
Abstract（参考訳）: 参加型都市計画は現代の都市計画の主流であり、様々な利害関係者の活発な関与を伴う。しかし、従来の参加型パラダイムは時間と人力の課題に遭遇する一方、生成型計画ツールは調整可能で包括的なソリューションを提供しない。本研究では,大規模言語モデル(llm)を参加型プロセスに統合する革新的な都市計画手法を提案する。 llmエージェントに基づいたこのフレームワークは、ロールプレイ、コラボレーティブ生成、フィードバックイテレーションで構成され、1000の関心事に対応するコミュニティレベルの土地利用タスクを解決している。多様な都市社会における実証実験は、様々な計画シナリオにまたがるLLMの適応性と有効性を示している。その結果、満足度と包摂性の専門家を上回る4つの指標と、サービスと生態学における最先端の強化学習手法に対抗して評価された。さらなる分析は、自然言語推論と強力なスケーラビリティを備えた調整可能かつ包括的ソリューションを提供する上で、LLMエージェントの利点を示している。計画立案における人間行動のエミュレートの最近の進歩の中で, 低コストで効率的なLLMエージェントの恩恵を受けるプランナーと市民の両方を想定し, 参加の促進と参加型都市計画の実現に不可欠である。

関連論文リスト

AgentGen: Enhancing Planning Abilities for Large Language Model based Agent via Environment and Task Generation [89.68433168477227]
LLM(Large Language Model)ベースのエージェントは注目され、ますます人気が高まっている。本稿では,LLMの学習指導による計画能力の向上について検討する。この制限に対処するために,多様な環境の自動合成と段階的な計画課題について検討する。
論文参考訳（メタデータ） (2024-08-01T17:59:46Z)
CityGPT: Empowering Urban Spatial Cognition of Large Language Models [7.40606412920065]
強力な言語生成と推論機能を備えた大規模言語モデル(LLM)は、すでに多くのドメインで成功している。しかし、物理世界のコーパスが不足し、訓練中に知識が不足しているため、都市空間における多くの現実的なタスクを解決できないのが普通である。都市空間の理解と関連する都市課題の解決におけるLCMの能力向上のための体系的枠組みであるCityGPTを提案する。
論文参考訳（メタデータ） (2024-06-20T02:32:16Z)
Exploring and Benchmarking the Planning Capabilities of Large Language Models [57.23454975238014]
この研究は、大規模言語モデル(LLM)の計画能力を改善するための基礎を築いた。我々は、古典的な計画ベンチマークと自然言語シナリオの両方を含む包括的なベンチマークスイートを構築した。本研究は,LLM計画の強化を目的としたマルチショットインコンテキスト学習について検討し,文脈長の増大と計画性能の向上の関係について検討する。
論文参考訳（メタデータ） (2024-06-18T22:57:06Z)
Meta Reasoning for Large Language Models [58.87183757029041]
大規模言語モデル(LLM)の新規かつ効率的なシステムプロセッシング手法であるメタ推論プロンプト(MRP)を導入する。 MRPは、各タスクの特定の要求に基づいて異なる推論メソッドを動的に選択し、適用するようLLMに誘導する。総合的なベンチマークによりMPPの有効性を評価する。
論文参考訳（メタデータ） (2024-06-17T16:14:11Z)
A Human-Like Reasoning Framework for Multi-Phases Planning Task with Large Language Models [15.874604623294427]
マルチパス計画問題には、アウトライン、情報収集、計画といった複数の相互接続ステージが含まれる。既存の推論アプローチは、この複雑なタスクを効果的に解決するのに苦労しています。本研究は,LLMエージェントのためのヒューマンライクな計画フレームワークを開発することで,この問題に対処することを目的としている。
論文参考訳（メタデータ） (2024-05-28T14:13:32Z)
Large Language Model for Participatory Urban Planning [22.245571438540512]
大きな言語モデル(LLM)は、人間のようなエージェントをシミュレートする能力を示す。参加型都市計画のためのLLMに基づくマルチエージェント協調フレームワークを提案する。本手法は, 住民満足度と包括性の測定値において, 最先端の性能を実現する。
論文参考訳（メタデータ） (2024-02-27T02:47:50Z)
What's the Plan? Evaluating and Developing Planning-Aware Techniques for Language Models [7.216683826556268]
大きな言語モデル(LLM)は、計画機能を必要とするアプリケーションにますます使われています。我々は,新しいハイブリッド・メソドであるSimPlanを紹介し,その性能を新たな挑戦的な設定で評価する。
論文参考訳（メタデータ） (2024-02-18T07:42:49Z)
EgoPlan-Bench: Benchmarking Multimodal Large Language Models for Human-Level Planning [84.6451394629312]
実世界のシナリオにおけるMLLMの計画能力を評価するベンチマークであるEgoPlan-Benchを紹介する。 EgoPlan-Benchは、人間レベルのタスクプランニングを実現するためのMLLMの改善のかなりの範囲を浮き彫りにする。また,EgoPlan-Bench上でのモデル性能を効果的に向上する特殊命令チューニングデータセットであるEgoPlan-ITを提案する。
論文参考訳（メタデータ） (2023-12-11T03:35:58Z)
AI Agent as Urban Planner: Steering Stakeholder Dynamics in Urban Planning via Consensus-based Multi-Agent Reinforcement Learning [8.363841553742912]
本稿では,コンセンサスを基盤としたマルチエージェント強化学習フレームワークについて紹介する。この枠組みは参加型都市計画に役立ち、多様な知的エージェントを利害関係者の代表として好まれる土地利用形態に投票することができる。マルチエージェント強化学習を統合することで、参加型都市計画決定がよりダイナミックで、コミュニティのニーズに適応することを保証する。
論文参考訳（メタデータ） (2023-10-25T17:04:11Z)
Corex: Pushing the Boundaries of Complex Reasoning through Multi-Model Collaboration [83.4031923134958]
Corexは,大規模言語モデルを自律エージェントに変換する,新たな汎用戦略スイートだ。人間の振る舞いにインスパイアされたCorexは、Debate、Review、Retrieveモードといった多様なコラボレーションパラダイムによって構成されている。我々は,複数のLDMを協調的に演奏することで,既存の手法に比べて性能が著しく向上することが実証された。
論文参考訳（メタデータ） (2023-09-30T07:11:39Z)
AdaPlanner: Adaptive Planning from Feedback with Language Models [56.367020818139665]
大規模言語モデル(LLM)は、最近、シーケンシャルな意思決定タスクの自律的エージェントとして機能する可能性を実証している。本研究では,LLMエージェントが環境フィードバックに応じて自己生成計画を適応的に改善することのできるクローズドループアプローチであるAdaPlannerを提案する。幻覚を緩和するために,様々なタスク,環境,エージェント機能にまたがる計画生成を容易にするコードスタイルのLCMプロンプト構造を開発した。
論文参考訳（メタデータ） (2023-05-26T05:52:27Z)

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。