論文の概要: Beyond Imitation: Generating Human Mobility from Context-aware Reasoning
with Large Language Models
- arxiv url: http://arxiv.org/abs/2402.09836v1
- Date: Thu, 15 Feb 2024 09:58:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-16 16:19:15.130674
- Title: Beyond Imitation: Generating Human Mobility from Context-aware Reasoning
with Large Language Models
- Title(参考訳): Beyond Imitation: 大規模言語モデルによるコンテキスト認識推論からヒューマンモビリティを生成する
- Authors: Chenyang Shao, Fengli Xu, Bingbing Fan, Jingtao Ding, Yuan Yuan, Meng
Wang, Yong Li
- Abstract要約: 本稿では,移動行動を促す新しいモビリティ生成・アズ・ア・推論(MobiGeaR)フレームワークを提案する。
MobiGeaRはすべてのメトリクスで最先端のパフォーマンスを実現し、同時にトレーニングサンプルのサイズを大幅に削減します。
- 参考スコア(独自算出の注目度): 21.745981410903845
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Human mobility behaviours are closely linked to various important societal
problems such as traffic congestion, and epidemic control. However, collecting
mobility data can be prohibitively expensive and involves serious privacy
issues, posing a pressing need for high-quality generative mobility models.
Previous efforts focus on learning the behaviour distribution from training
samples, and generate new mobility data by sampling the learned distributions.
They cannot effectively capture the coherent intentions that drive mobility
behavior, leading to low sample efficiency and semantic-awareness. Inspired by
the emergent reasoning ability in LLMs, we propose a radical perspective shift
that reformulates mobility generation as a commonsense reasoning problem. In
this paper, we design a novel Mobility Generation as Reasoning (MobiGeaR)
framework that prompts LLM to recursively generate mobility behaviour.
Specifically, we design a context-aware chain-of-thoughts prompting technique
to align LLMs with context-aware mobility behaviour by few-shot in-context
learning. Besides, MobiGeaR employ a divide-and-coordinate mechanism to exploit
the synergistic effect between LLM reasoning and mechanistic gravity model. It
leverages the step-by-step LLM reasoning to recursively generate a temporal
template of activity intentions, which are then mapped to physical locations
with a mechanistic gravity model. Experiments on two real-world datasets show
MobiGeaR achieves state-of-the-art performance across all metrics, and
substantially reduces the size of training samples at the same time. Besides,
MobiGeaR also significantly improves the semantic-awareness of mobility
generation by improving the intention accuracy by 62.23% and the generated
mobility data is proven effective in boosting the performance of downstream
applications. The implementation of our approach is available in the paper.
- Abstract(参考訳): ヒトの移動行動は交通渋滞や疫病対策などの社会問題と密接に関連している。
しかし、モビリティデータの収集は、非常に高価であり、重大なプライバシー問題を引き起こし、高品質な生成モビリティモデルの必要性が高まっている。
これまでの取り組みは、トレーニングサンプルから行動分布を学習することに集中し、学習した分布をサンプリングして新しいモビリティデータを生成する。
モビリティ行動を促進するコヒーレントな意図を効果的に捉えることはできず、サンプルの効率とセマンティクスの認識が低下する。
LLMの創発的推論能力に着想を得て,モビリティ生成を常識的推論問題として再構成する急進的な視点シフトを提案する。
本稿では,新たなモビリティ生成・アズ・ア・リソン(MobiGeaR)フレームワークを設計し,LCMが再帰的にモビリティ動作を生成できるようにする。
具体的には,コンテキスト内学習によるllmとコンテキスト対応モビリティ動作を連携させる,コンテキスト対応チェーン・オブ・シグナリング手法を設計した。
加えて、MobiGeaR は LLM の推論と力学重力モデルの間の相乗効果を利用するために分割調整機構を採用している。
ステップバイステップのLSM推論を利用して、活動意図の時間的テンプレートを再帰的に生成し、力学重力モデルを用いて物理的場所にマッピングする。
2つの実世界のデータセットの実験では、MobiGeaRはすべてのメトリクスで最先端のパフォーマンスを実現しており、同時にトレーニングサンプルのサイズを大幅に削減している。
さらに、MobiGeaRは、意図的精度を62.23%向上させることにより、モビリティ生成のセマンティック・アウェアネスを著しく改善し、下流アプリケーションの性能向上に有効であることが証明された。
我々のアプローチの実装は論文で確認できる。
関連論文リスト
- Probing Multimodal LLMs as World Models for Driving [72.18727651074563]
本研究は,自律運転分野におけるMLLM(Multimodal Large Language Models)の適用に焦点を当てた。
我々は、固定車載カメラの観点から、様々なMLLMの運転能力を世界モデルとして評価する。
以上の結果から,最先端MLLMの現在の能力に重要なギャップがあることが示唆された。
論文 参考訳(メタデータ) (2024-05-09T17:52:42Z) - Large Language Models as Urban Residents: An LLM Agent Framework for
Personal Mobility Generation [20.66295977999949]
本稿では,Large Language Models (LLMs) をエージェントフレームワークに統合した,フレキシブルかつ効率的なパーソナルモビリティ生成手法を提案する。
LLMは、セマンティックデータを効率的に処理し、様々なタスクをモデリングする汎用性を提供することによって、以前のモデルの限界を克服する。
論文 参考訳(メタデータ) (2024-02-22T18:03:14Z) - MobilityGPT: Enhanced Human Mobility Modeling with a GPT model [8.405728339126005]
我々は、GPT(Generative Pre-trained Transformer)を活用して、自己回帰生成タスクとしての人間のモビリティモデリングを再構築する。
本稿では,ジオスパティカル・アウェア・ジェネレーティブ・モデルであるモビリティGPTを提案する。
実世界のデータセットを用いた実験により、モビリティGPTは高品質なモビリティ・トラジェクトリを生成する上で最先端の手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2024-02-05T18:22:21Z) - InferAligner: Inference-Time Alignment for Harmlessness through
Cross-Model Guidance [56.184255657175335]
我々は,無害アライメントのためのクロスモデルガイダンスを利用する新しい推論時間アライメント手法であるtextbfInferAligner を開発した。
実験結果から,本手法はファイナンス,医学,数学の分野特化モデルに極めて効果的に適用可能であることが示された。
これは有害な命令とジェイルブレイク攻撃の両方のアタック成功率(ASR)を著しく低下させ、下流タスクではほとんど変化のないパフォーマンスを維持している。
論文 参考訳(メタデータ) (2024-01-20T10:41:03Z) - Learning dislocation dynamics mobility laws from large-scale MD
simulations [6.058101483996012]
機械学習(ML)フレームワークを導入し,データ駆動型モビリティ法の開発を効率化する。
大規模DDDシミュレーションで実装したGNNモビリティは,地中直流MDシミュレーションで観測された強み/圧縮非対称性を正確に再現する。
論文 参考訳(メタデータ) (2023-09-25T18:16:45Z) - Reinforcement Learning with Human Feedback for Realistic Traffic
Simulation [53.85002640149283]
効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。
本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
論文 参考訳(メタデータ) (2023-09-01T19:29:53Z) - Exploring Model Transferability through the Lens of Potential Energy [78.60851825944212]
トランスファーラーニングは、事前訓練されたディープラーニングモデルが広く利用可能であることから、コンピュータビジョンタスクにおいて重要になっている。
既存のトレーニング済みモデルの転送可能性の測定方法は、符号化された静的特徴とタスクラベルの間の統計的相関に依存する。
我々はこれらの課題に対処するために,PEDという物理に着想を得たアプローチを提案する。
論文 参考訳(メタデータ) (2023-08-29T07:15:57Z) - Data-Heterogeneous Hierarchical Federated Learning with Mobility [20.482704508355905]
フェデレーション学習は、複数のデバイスにまたがる機械学習(ML)モデルの分散トレーニングを可能にする。
本稿では,主に車両ネットワークを対象とする移動性を持つデータヘテロジニアスHFLシナリオについて考察する。
畳み込みニューラルネットワークをトレーニングすると、モビリティがモデル精度を最大15.1%向上できることを示す。
論文 参考訳(メタデータ) (2023-06-19T04:22:18Z) - Model-Based Reinforcement Learning with Isolated Imaginations [61.67183143982074]
モデルに基づく強化学習手法であるIso-Dream++を提案する。
我々は、切り離された潜在的想像力に基づいて政策最適化を行う。
これにより、野生の混合力学源を孤立させることで、長い水平振動子制御タスクの恩恵を受けることができる。
論文 参考訳(メタデータ) (2023-03-27T02:55:56Z) - Continuous Trajectory Generation Based on Two-Stage GAN [50.55181727145379]
本稿では,道路網上の連続軌道を生成するために,新たな2段階生成対向フレームワークを提案する。
具体的には、A*アルゴリズムの人間の移動性仮説に基づいてジェネレータを構築し、人間の移動性について学習する。
判別器では, 逐次報酬と移動ヤウ報酬を組み合わせることで, 発電機の有効性を高める。
論文 参考訳(メタデータ) (2023-01-16T09:54:02Z) - DETECT: Deep Trajectory Clustering for Mobility-Behavior Analysis [10.335486459171992]
我々は,Deep Embedded TrajEctor ClusTering Network (DETECT)と呼ばれる,移動行動クラスタリングのための教師なしニューラルネットワークを提案する。
DETECTは3つの部分で機能する: まず、重要な部分を要約し、地理的局所性から派生した文脈で拡張することで軌道を変換する。
第2部では、潜在行動空間におけるトラジェクトリの強力な表現を学び、これによりクラスタリング関数(例えば$k$means)を適用できる。
論文 参考訳(メタデータ) (2020-03-03T06:09:15Z)
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。