論文の概要: TrajAgent: An LLM-based Agent Framework for Automated Trajectory Modeling via Collaboration of Large and Small Models
- arxiv url: http://arxiv.org/abs/2410.20445v2
- Date: Sat, 31 May 2025 16:00:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-03 16:22:42.846501
- Title: TrajAgent: An LLM-based Agent Framework for Automated Trajectory Modeling via Collaboration of Large and Small Models
- Title（参考訳）: TrajAgent: 大規模・小規模モデルの協調による軌道自動モデリングのためのLLMベースのエージェントフレームワーク
- Authors: Yuwei Du, Jie Feng, Jie Zhao, Yong Li,
- Abstract要約: 軌道モデリングは、生活サービス、都市交通、行政などの分野で広く応用されている。
自動化モデリングによるロバストかつ効率的な軌道モデリングを支援するフレームワークである textitTrajAgent を提案する。
- 参考スコア（独自算出の注目度）: 7.007450097312181
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Trajectory modeling, which includes research on trajectory data pattern mining and future prediction, has widespread applications in areas such as life services, urban transportation, and public administration. Numerous methods have been proposed to address specific problems within trajectory modeling. However, the heterogeneity of data and the diversity of trajectory tasks make effective and reliable trajectory modeling an important yet highly challenging endeavor, even for domain experts. In this paper, we propose \textit{TrajAgent}, a agent framework powered by large language models (LLMs), designed to facilitate robust and efficient trajectory modeling through automation modeling. This framework leverages and optimizes diverse specialized models to address various trajectory modeling tasks across different datasets effectively. In \textit{TrajAgent}, we first develop \textit{UniEnv}, an execution environment with a unified data and model interface, to support the execution and training of various models. Building on \textit{UniEnv}, we introduce an agentic workflow designed for automatic trajectory modeling across various trajectory tasks and data. Furthermore, we introduce collaborative learning schema between LLM-based agents and small speciallized models, to enhance the performance of the whole framework effectively. Extensive experiments on four tasks using four real-world datasets demonstrate the effectiveness of \textit{TrajAgent} in automated trajectory modeling, achieving a performance improvement of 2.38\%-34.96\% over baseline methods.
- Abstract（参考訳）: 軌道データパターンマイニングの研究や将来の予測を含む軌道モデリングは、生活サービス、都市交通、行政などの分野に広く応用されている。
軌道モデリングにおける特定の問題に対処する多くの手法が提案されている。
しかし、データの不均一性とトラジェクトリタスクの多様性は、ドメインの専門家でさえ、効果的で信頼性の高いトラジェクトリモデリングを重要かつ非常に困難な試みにしている。
本稿では,大規模言語モデル(LLM)を利用したエージェントフレームワークである「textit{TrajAgent}」を提案する。
このフレームワークは、さまざまなデータセットにわたるさまざまな軌道モデリングタスクに効果的に対処するために、多様な専門モデルを活用し、最適化する。
まず、さまざまなモデルの実行とトレーニングをサポートするために、統一されたデータとモデルインターフェースを備えた実行環境である \textit{UniEnv} を開発します。
我々は,textit{UniEnv} 上に構築されたエージェントワークフローを導入し,様々なトラジェクトリタスクやデータを対象とした自動トラジェクトリモデリングを実現する。
さらに,LLMベースエージェントと小型特殊化モデルとの協調学習スキーマを導入し,フレームワーク全体の性能を効果的に向上する。
4つの実世界のデータセットを用いた4つのタスクの大規模な実験は、自動軌道モデリングにおける \textit{TrajAgent} の有効性を示し、ベースライン法よりも2.38\%-34.96\%の性能向上を達成した。
関連論文リスト
- Iterative Trajectory Exploration for Multimodal Agents [69.32855772335624]
本研究では,マルチモーダルエージェント,すなわちSPORTのオンライン自己探索手法を提案する。
Sportは、タスク合成、ステップサンプリング、ステップ検証、優先度調整の4つの反復的なコンポーネントを通じて動作する。
GTAとGAIAのベンチマークでは、Sport Agentは6.41%と3.64%の改善を達成している。
論文 参考訳（メタデータ） (2025-04-30T12:01:27Z) - Revisiting Synthetic Human Trajectories: Imitative Generation and Benchmarks Beyond Datasaurus [4.522142161017109]
人間の軌道データは、現実的な制約とプライバシー上の懸念のために取得が困難である。
本稿では,ニューラル・テンポラル・ポイント・プロセスとして設計されたhuman-Imitative tRAjectory GenErativeモデルであるMIRAGEを提案する。
我々は,MIRAGEを3つの実世界のユーザトラジェクトリデータセットに対して,大規模なベースラインの収集に対して徹底的に評価する。
論文 参考訳（メタデータ） (2024-09-20T09:07:27Z) - Deciphering Movement: Unified Trajectory Generation Model for Multi-Agent [53.637837706712794]
任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。
具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを導入する。
バスケットボール-U,サッカー-U,サッカー-Uの3つの実用的なスポーツゲームデータセットをベンチマークして評価を行った。
論文 参考訳（メタデータ） (2024-05-27T22:15:23Z) - MTP: Advancing Remote Sensing Foundation Model via Multi-Task Pretraining [73.81862342673894]
ファンデーションモデルは、様々な画像解釈タスクを強化することで、リモートセンシング(RS)のランドスケープを再構築した。
事前訓練されたモデルを下流のタスクに転送することは、イメージ分類やオブジェクト識別タスクとして事前訓練の定式化によるタスクの相違に遭遇する可能性がある。
SAMRSデータセット上で、セマンティックセグメンテーション、インスタンスセグメンテーション、回転オブジェクト検出を含むマルチタスクによる事前トレーニングを行う。
我々のモデルは、シーン分類、水平・回転物体検出、セマンティックセグメンテーション、変化検出など、様々なRS下流タスクに基づいて微調整される。
論文 参考訳（メタデータ） (2024-03-20T09:17:22Z) - AgentOhana: Design Unified Data and Training Pipeline for Effective Agent Learning [98.26836657967162]
textbfAgentOhanaは、さまざまなシナリオにまたがって、異なる環境からエージェントのトラジェクトリを集約する。
AIエージェント用に調整された大規模なアクションモデルである textbfxLAM-v0.1 は、さまざまなベンチマークで例外的なパフォーマンスを示している。
論文 参考訳（メタデータ） (2024-02-23T18:56:26Z) - An Interactive Agent Foundation Model [49.77861810045509]
本稿では,AIエージェントを訓練するための新しいマルチタスクエージェントトレーニングパラダイムを用いた対話型エージェント基礎モデルを提案する。
トレーニングパラダイムは、視覚マスク付きオートエンコーダ、言語モデリング、次世代の予測など、多様な事前学習戦略を統一する。
私たちは、ロボティクス、ゲームAI、ヘルスケアという3つの異なる領域でフレームワークのパフォーマンスを実演します。
論文 参考訳（メタデータ） (2024-02-08T18:58:02Z) - Towards A Foundation Model For Trajectory Intelligence [0.0]
実世界のユーザチェックインデータを用いて,大規模軌跡モデルのトレーニング結果を示す。
提案手法は,マスク付き軌道モデルを用いてベースモデルを事前学習する,事前学習と微調整のパラダイムに従う。
私たちの経験分析では、600万人以上のユーザーが生成した20億以上のチェックインの包括的データセットを利用しています。
論文 参考訳（メタデータ） (2023-11-30T00:34:09Z) - Towards Efficient Task-Driven Model Reprogramming with Foundation Models [52.411508216448716]
ビジョンファウンデーションモデルは、非常に大きなモデルキャパシティと幅広いトレーニングデータから恩恵を受け、印象的なパワーを示す。
しかし、実際には、下流のシナリオは限られた計算資源や効率上の考慮のため、小さなモデルしかサポートできない。
これは、ファンデーションモデルの現実的な応用に重要な課題をもたらします。
論文 参考訳（メタデータ） (2023-04-05T07:28:33Z) - TRAK: Attributing Model Behavior at Scale [79.56020040993947]
本稿では,大規模な微分モデルに対して有効かつ計算的に抽出可能なデータ属性法であるTRAK(Tracing with Randomly-trained After Kernel)を提案する。
論文 参考訳（メタデータ） (2023-03-24T17:56:22Z) - JFP: Joint Future Prediction with Interactive Multi-Agent Modeling for
Autonomous Driving [12.460224193998362]
構造化されたグラフィカルモデルの定式化において,エージェント同士の相互作用を直接学習するエンド・ツー・エンドのトレーニング可能なモデルを提案する。
提案手法は,単エージェントトラジェクタのトラジェクタとトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタの性能を向上する。
論文 参考訳（メタデータ） (2022-12-16T20:59:21Z)
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。