論文の概要: Decoding Neighborhood Environments with Large Language Models

• arxiv url: http://arxiv.org/abs/2505.08163v1
• Date: Tue, 13 May 2025 01:54:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.390555
• Title: Decoding Neighborhood Environments with Large Language Models
• Title（参考訳）: 大規模言語モデルによる周辺環境のデコード
• Authors: Andrew Cart, Shaohu Zhang, Melanie Escue, Xugui Zhou, Haitao Zhao, Prashanth BusiReddyGari, Beiyu Lin, Shuang Li,
• Abstract要約: 本研究では,大規模周辺環境を大規模に復号化するためのツールとして,大規模言語モデル(LLM)の実現可能性について検討する。 我々は,6つの環境指標を検出する上で,平均99.13%の精度を達成できるロバストYOLOv11モデルを訓練する。 次に、4つのLCMを評価し、これらの指標を識別する可能性、堅牢性、限界を評価する。
• 参考スコア（独自算出の注目度）: 7.7588038153397925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neighborhood environments include physical and environmental conditions such as housing quality, roads, and sidewalks, which significantly influence human health and well-being. Traditional methods for assessing these environments, including field surveys and geographic information systems (GIS), are resource-intensive and challenging to evaluate neighborhood environments at scale. Although machine learning offers potential for automated analysis, the laborious process of labeling training data and the lack of accessible models hinder scalability. This study explores the feasibility of large language models (LLMs) such as ChatGPT and Gemini as tools for decoding neighborhood environments (e.g., sidewalk and powerline) at scale. We train a robust YOLOv11-based model, which achieves an average accuracy of 99.13% in detecting six environmental indicators, including streetlight, sidewalk, powerline, apartment, single-lane road, and multilane road. We then evaluate four LLMs, including ChatGPT, Gemini, Claude, and Grok, to assess their feasibility, robustness, and limitations in identifying these indicators, with a focus on the impact of prompting strategies and fine-tuning. We apply majority voting with the top three LLMs to achieve over 88% accuracy, which demonstrates LLMs could be a useful tool to decode the neighborhood environment without any training effort.
• Abstract（参考訳）: 隣の環境は、住宅の質、道路、歩道などの物理的および環境条件を含み、人間の健康と幸福に大きな影響を及ぼす。 フィールドサーベイや地理情報システム(GIS)など,これらの環境を評価する従来の手法は資源集約的であり,大規模に周辺環境を評価することは困難である。 機械学習は自動分析の可能性を秘めているが、トレーニングデータのラベル付けの面倒なプロセスと、アクセス可能なモデルの欠如はスケーラビリティを妨げている。 本研究では,ChatGPT や Gemini などの大規模言語モデル (LLM) が,大規模に周辺環境 (歩道,電力線など) を復号化するためのツールとして実現可能であることを明らかにする。 我々は,街路灯,歩道,電力線,集合住宅,単車線道路,多車線道路を含む6つの環境指標を,平均99.13%の精度で検出できるロバストYOLOv11モデルを訓練する。 次に、ChatGPT、Gemini、Claude、Grokの4つのLCMを評価し、これらの指標を識別する可能性、堅牢性、限界を評価する。 88%以上の精度を達成するために,上位3つのLCMで多数決を行い,LCMは学習の手間を省くことなく,近隣環境を復号化するための有用なツールであることを示した。

関連論文リスト

• ENWAR: A RAG-empowered Multi-Modal LLM Framework for Wireless Environment Perception [10.4860429348784]
  大規模言語モデル(LLM)は、6G以降のネットワークにおいて、ネットワーク管理とオーケストレーションを進める上で大きな可能性を秘めている。 本稿では,ENWAR(ENvironment-aWARe search augmented generation-empowered multi-modal LLM framework)を紹介する。 ENWARは、複雑な無線環境を知覚し、解釈し、認知的に処理するマルチモーダル感覚入力をシームレスに統合する。
  論文  参考訳（メタデータ） (2024-10-08T16:26:18Z)
• LanEvil: Benchmarking the Robustness of Lane Detection to Environmental Illusions [61.87108000328186]
  レーン検出(LD)は自律走行システムにおいて不可欠な要素であり、適応型クルーズ制御や自動車線センターなどの基本的な機能を提供している。 既存のLDベンチマークは主に、環境錯覚に対するLDモデルの堅牢性を無視し、一般的なケースを評価することに焦点を当てている。 本稿では、LDに対する環境錯覚による潜在的な脅威について検討し、LanEvilの最初の総合ベンチマークを確立する。
  論文  参考訳（メタデータ） (2024-06-03T02:12:27Z)
• RoTBench: A Multi-Level Benchmark for Evaluating the Robustness of Large Language Models in Tool Learning [45.39445027132887]
  ツール学習における大規模言語モデルの堅牢性を評価するためのベンチマークであるRoTBenchを紹介する。 広く使われている6つのモデルを含む実験は、ツール学習におけるLLMの堅牢性を高めるための緊急の必要性を浮き彫りにした。 ツール学習におけるLDMの堅牢性を高めるために,学習環境の多様性を充実させる戦略であるRoTTuningを提案する。
  論文  参考訳（メタデータ） (2024-01-16T12:45:15Z)
• GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
  大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。 我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。 実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
  論文  参考訳（メタデータ） (2023-10-10T00:03:23Z)
• Chatmap : Large Language Model Interaction with Cartographic Data [0.0]
  OpenStreetMap(OSM)は、都市部と農村部の詳細な地理データを提供する、最も野心的なオープンソースグローバルイニシアチブである。 本研究では,比較的小規模(1Bパラメータ)の大規模言語モデル(LLM)を,より有能な教師モデルによってキュレートされた比較的小さな人工データセットを用いて微調整するプロセスの概念と詳細を実証する。 この研究は、このような生成的人工知能(AI)適応のための最初のガイドラインを提供し、この文脈で有用な新興能力の早期の兆候を示すことを目的としている。
  論文  参考訳（メタデータ） (2023-09-28T15:32:36Z)
• Generalization through Diversity: Improving Unsupervised Environment Design [8.961693126230452]
  本稿では,環境設計に関連する新しい距離尺度に基づいて,多様な環境を適応的に識別する手法を提案する。 我々は,教師なし環境設計における複数の主要なアプローチと比較して,提案手法の汎用性と有効性を実証的に実証した。
  論文  参考訳（メタデータ） (2023-01-19T11:55:47Z)
• Jalisco's multiclass land cover analysis and classification using a novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
  本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。 本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。 組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
  論文  参考訳（メタデータ） (2022-01-26T14:58:51Z)

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。