論文の概要: Real-time Spatial Retrieval Augmented Generation for Urban Environments

• arxiv url: http://arxiv.org/abs/2505.02271v1
• Date: Sun, 04 May 2025 21:57:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.520334
• Title: Real-time Spatial Retrieval Augmented Generation for Urban Environments
• Title（参考訳）: 都市環境のためのリアルタイム空間検索モデル生成
• Authors: David Nazareno Campo, Javier Conde, Álvaro Alonso, Gabriel Huecas, Joaquín Salvachúa, Pedro Reviriego,
• Abstract要約: 本研究は,都市への生成AIの効果的な統合に必要なコンポーネントを定義するリアルタイム空間RAGアーキテクチャを提案する。 提案アーキテクチャは、スマートシティソリューションとデジタルツインを開発するソフトウェアコンポーネントのエコシステムであるFIWAREを用いて実装されている。
• 参考スコア（独自算出の注目度）: 2.8367942280334493
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The proliferation of Generative Artificial Ingelligence (AI), especially Large Language Models, presents transformative opportunities for urban applications through Urban Foundation Models. However, base models face limitations, as they only contain the knowledge available at the time of training, and updating them is both time-consuming and costly. Retrieval Augmented Generation (RAG) has emerged in the literature as the preferred approach for injecting contextual information into Foundation Models. It prevails over techniques such as fine-tuning, which are less effective in dynamic, real-time scenarios like those found in urban environments. However, traditional RAG architectures, based on semantic databases, knowledge graphs, structured data, or AI-powered web searches, do not fully meet the demands of urban contexts. Urban environments are complex systems characterized by large volumes of interconnected data, frequent updates, real-time processing requirements, security needs, and strong links to the physical world. This work proposes a real-time spatial RAG architecture that defines the necessary components for the effective integration of generative AI into cities, leveraging temporal and spatial filtering capabilities through linked data. The proposed architecture is implemented using FIWARE, an ecosystem of software components to develop smart city solutions and digital twins. The design and implementation are demonstrated through the use case of a tourism assistant in the city of Madrid. The use case serves to validate the correct integration of Foundation Models through the proposed RAG architecture.
• Abstract（参考訳）: 生成的人工言語(AI:Generative Artificial Ingelligence)の拡散、特に大規模言語モデルは、都市基盤モデルによる都市応用の変革的機会を提供する。 しかし、ベースモデルはトレーニング時に利用可能な知識しか含んでおらず、更新には時間と費用がかかるため、制限に直面します。 Retrieval Augmented Generation (RAG) は、基礎モデルに文脈情報を注入する手法として文献に登場した。 これは、都市環境に見られるような動的でリアルタイムなシナリオでは効果の低い微調整のようなテクニックに優越している。 しかし、意味データベース、知識グラフ、構造化データ、AIによるWeb検索に基づく従来のRAGアーキテクチャは、都市環境の要求を完全に満たしていない。 都市環境は、大量の相互接続データ、頻繁な更新、リアルタイム処理要件、セキュリティ要件、物理世界への強いリンクによって特徴づけられる複雑なシステムである。 本研究では,都市への生成AIの効果的な統合に必要なコンポーネントを定義したリアルタイム空間RAGアーキテクチャを提案する。 提案アーキテクチャは、スマートシティソリューションとデジタルツインを開発するソフトウェアコンポーネントのエコシステムであるFIWAREを用いて実装されている。 デザインと実装はマドリード市の観光アシスタントのユースケースを通じて実証されている。 このユースケースは、提案されたRAGアーキテクチャを通じて、ファンデーションモデルの正しい統合を検証するのに役立つ。

関連論文リスト

• Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
  メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-01-20T07:12:40Z)
• Leveraging Generative AI for Urban Digital Twins: A Scoping Review on the Autonomous Generation of Urban Data, Scenarios, Designs, and 3D City Models for Smart City Advancement [7.334114326621768]
  生成人工知能(AI)モデルは、データとコード生成において独自の価値を示してきた。 この調査は、一般的な生成AIモデルとその応用分野の導入と、既存の都市科学応用のレビューから始まる。 このレビューに基づいて、次世代の都市デジタル双生児に生成AIモデルを統合する可能性と技術的戦略について検討する。
  論文  参考訳（メタデータ） (2024-05-29T19:23:07Z)
• Spatio-Temporal Few-Shot Learning via Diffusive Neural Network Generation [25.916891462152044]
  本稿では,都市知識伝達を伴う複雑な数ショット学習のための新しい生成事前学習フレームワークであるGPDを提案する。 我々は、プロンプトで導かれる調整されたニューラルネットワークを生成する生成拡散モデルを再放送する。 GPDは、トラフィック速度予測やクラウドフロー予測といったタスクのデータセットにおける最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2024-02-19T08:11:26Z)
• Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for Cross-City Semantic Segmentation using High-Resolution Domain Adaptation Networks [82.82866901799565]
  我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。 単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。 高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
  論文  参考訳（メタデータ） (2023-09-26T23:55:39Z)
• LibCity: A Unified Library Towards Efficient and Comprehensive Urban Spatial-Temporal Prediction [74.08181247675095]
  既存の分野には、さまざまなフォーマットで使用が難しいオープンソースデータなど、制限がある。 我々は、研究者に信頼性のある実験ツールと便利な開発フレームワークを提供するオープンソースライブラリ、LibCityを提案する。
  論文  参考訳（メタデータ） (2023-04-27T17:19:26Z)
• Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
  本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。 我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。 フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
  論文  参考訳（メタデータ） (2021-04-30T12:47:52Z)
• Modelling Urban Dynamics with Multi-Modal Graph Convolutional Networks [8.767281392253976]
  都市部の人気と成長をより良くモデル化することを目的とした新しいディープラーニングフレームワークを提案します。 空間的特徴とトポロジカル特徴の両方を時間モデルに統合し、その後のタイムステップで会場の需要を予測するディープラーニングアーキテクチャを紹介します。 最新のディープラーニングモデルと比較して、私たちのモデルはRSMEをロンドンで28%、パリで13%削減します。
  論文  参考訳（メタデータ） (2021-04-29T20:00:47Z)

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。