論文の概要: Vaiage: A Multi-Agent Solution to Personalized Travel Planning

• arxiv url: http://arxiv.org/abs/2505.10922v1
• Date: Fri, 16 May 2025 06:54:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:14.197272
• Title: Vaiage: A Multi-Agent Solution to Personalized Travel Planning
• Title（参考訳）: Vaiage: パーソナライズドトラベルプランニングのためのマルチエージェントソリューション
• Authors: Binwen Liu, Jiexi Ge, Jiamin Wang,
• Abstract要約: プランニングトリップは、ユーザの好みの相反、動的な外部情報、多段階の時間空間最適化を含む認知的に集中的なタスクである。 我々のアプローチであるVayageは、目標条件付きレコメンデータとシーケンシャルプランナの両方として機能する、大規模言語モデル(LLM)を中心に構築されたグラフ構造化マルチエージェントフレームワークを通じて、これらの課題に対処します。 自然言語のインタラクション、構造化ツールの使用、マップベースのフィードバックループを通じて、Vaiageは、象徴的推論と会話的理解の両方に根ざした適応的、説明可能、エンドツーエンドの旅行計画を可能にする。
• 参考スコア（独自算出の注目度）: 0.27309692684728615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Planning trips is a cognitively intensive task involving conflicting user preferences, dynamic external information, and multi-step temporal-spatial optimization. Traditional platforms often fall short - they provide static results, lack contextual adaptation, and fail to support real-time interaction or intent refinement. Our approach, Vaiage, addresses these challenges through a graph-structured multi-agent framework built around large language models (LLMs) that serve as both goal-conditioned recommenders and sequential planners. LLMs infer user intent, suggest personalized destinations and activities, and synthesize itineraries that align with contextual constraints such as budget, timing, group size, and weather. Through natural language interaction, structured tool use, and map-based feedback loops, Vaiage enables adaptive, explainable, and end-to-end travel planning grounded in both symbolic reasoning and conversational understanding. To evaluate Vaiage, we conducted human-in-the-loop experiments using rubric-based GPT-4 assessments and qualitative feedback. The full system achieved an average score of 8.5 out of 10, outperforming the no-strategy (7.2) and no-external-API (6.8) variants, particularly in feasibility. Qualitative analysis indicated that agent coordination - especially the Strategy and Information Agents - significantly improved itinerary quality by optimizing time use and integrating real-time context. These results demonstrate the effectiveness of combining LLM reasoning with symbolic agent coordination in open-ended, real-world planning tasks.
• Abstract（参考訳）: プランニングトリップは、ユーザの好みの相反、動的な外部情報、多段階の時間空間最適化を含む認知的に集中的なタスクである。 静的な結果を提供し、コンテキスト適応が欠如し、リアルタイムのインタラクションや意図の洗練をサポートできない。 我々のアプローチであるVayageは、目標条件付きレコメンデータとシーケンシャルプランナの両方として機能する、大規模言語モデル(LLM)を中心に構築されたグラフ構造化マルチエージェントフレームワークを通じて、これらの課題に対処します。 LLMは、ユーザの意図を推測し、パーソナライズされた目的地とアクティビティを提案し、予算、タイミング、グループサイズ、天候などのコンテキスト制約に合わせたイテレーションを合成する。 自然言語のインタラクション、構造化ツールの使用、マップベースのフィードバックループを通じて、Vaiageは、象徴的推論と会話的理解の両方に根ざした適応的、説明可能、エンドツーエンドの旅行計画を可能にする。 Vaiageを評価するために,luric-based GPT-4アセスメントと定性的フィードバックを用いたHuman-in-the-loop実験を行った。 システム全体のスコアは10点中8.5点であり、非ストラテジー(7.2)と外部API(6.8点)を特に実現可能性で上回った。 質的分析では、エージェント調整、特に戦略と情報エージェントは、時間使用を最適化し、リアルタイムコンテキストを統合することで、反復品質を著しく改善した。 これらの結果から,LLM推論とシンボルエージェント調整を併用したオープンエンド実世界の計画課題の有効性が示された。

関連論文リスト

• Foundation Models for Logistics: Toward Certifiable, Conversational Planning Interfaces [59.80143393787701]
  大規模言語モデル(LLM)は不確実性に対処し、導入障壁を低くしながら再計画の加速を約束する。 本稿では,自然言語対話のアクセシビリティと目標解釈の検証可能な保証とを組み合わせたニューロシンボリック・フレームワークを提案する。 わずか100個の不確実性フィルタで微調整された軽量モデルは、GPT-4.1のゼロショット性能を上回り、推論遅延を50%近く削減する。
  論文  参考訳（メタデータ） (2025-07-15T14:24:01Z)
• Thought-Augmented Planning for LLM-Powered Interactive Recommender Agent [56.61028117645315]
  本稿では,蒸留した思考パターンを通じて複雑なユーザ意図に対処する,思考増強型対話型推薦エージェントシステム(TAIRA)を提案する。 具体的には、ユーザニーズを分解し、サブタスクを計画することでレコメンデーションタスクを編成するマネージャエージェントを備えたLLM方式のマルチエージェントシステムとして設計されている。 複数のデータセットにまたがる包括的な実験により、IRAは既存の手法に比べて大幅に性能が向上した。
  論文  参考訳（メタデータ） (2025-06-30T03:15:50Z)
• Plan Your Travel and Travel with Your Plan: Wide-Horizon Planning and Evaluation via LLM [58.50687282180444]
  旅行計画は、多様な現実世界の情報とユーザの好みを統合する必要がある複雑な作業である。 我々はこれをL3$プランニング問題として定式化し、長いコンテキスト、長い命令、長い出力を強調する。 計画の多面的側面 (MAoP) を導入し, LLM が複雑な計画問題の解決のために広義の思考を行えるようにした。
  論文  参考訳（メタデータ） (2025-06-14T09:37:59Z)
• LPO: Towards Accurate GUI Agent Interaction via Location Preference Optimization [58.65395773049273]
  位置優先最適化(Location Preference Optimization、LPO)は、位置データを利用してインタラクションの好みを最適化する新しいアプローチである。 LPOは情報エントロピーを使用して、情報に富んだゾーンに注目して相互作用位置を予測する。 私たちのコードは間もなくhttps://github.com/AIDC-AI/LPO.comで公開されます。
  論文  参考訳（メタデータ） (2025-06-11T03:43:30Z)
• Reinforced Reasoning for Embodied Planning [18.40186665383579]
  身体的計画では、エージェントは動的視覚観察と自然言語の目標に基づいて、一貫性のある多段階決定を行う必要がある。 具体的計画にR1スタイルの推論強化をもたらす強化微調整フレームワークを導入する。
  論文  参考訳（メタデータ） (2025-05-28T07:21:37Z)
• PlanCritic: Formal Planning with Human Feedback [0.994853090657971]
  現実の計画問題は、しばしば複雑すぎて、1人の無知の人間によって効果的に取り組まれない。 最近の研究は、複雑な領域における人間を支援する共同計画システムの開発に重点を置いている。 我々は、より広範な協調計画システムの一環として、フィードバック駆動型計画批判を提示する。
  論文  参考訳（メタデータ） (2024-11-30T00:58:48Z)
• Communication Learning in Multi-Agent Systems from Graph Modeling Perspective [62.13508281188895]
  本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。 本稿では,各エージェントに対して時間的ゲーティング機構を導入し,ある時間に共有情報を受信するかどうかの動的決定を可能にする。
  論文  参考訳（メタデータ） (2024-11-01T05:56:51Z)
• AgentGen: Enhancing Planning Abilities for Large Language Model based Agent via Environment and Task Generation [81.32722475387364]
  大規模言語モデルに基づくエージェントが注目され、ますます人気が高まっている。 計画能力は LLM ベースのエージェントの重要な構成要素であり、通常は初期状態から望ましい目標を達成する必要がある。 近年の研究では、専門家レベルの軌跡を指導訓練用LLMに活用することで、効果的に計画能力を向上させることが示されている。
  論文  参考訳（メタデータ） (2024-08-01T17:59:46Z)
• Ask-before-Plan: Proactive Language Agents for Real-World Planning [68.08024918064503]
  プロアクティブエージェントプランニングでは、ユーザエージェントの会話とエージェント環境のインタラクションに基づいて、言語エージェントが明確化のニーズを予測する必要がある。 本稿では,明確化,実行,計画の3つのエージェントからなる新しいマルチエージェントフレームワーク,Clarification-Execution-Planning(textttCEP)を提案する。
  論文  参考訳（メタデータ） (2024-06-18T14:07:28Z)
• Synergising Human-like Responses and Machine Intelligence for Planning in Disaster Response [10.294618771570985]
  デュアルプロセス理論(DPT)にインスパイアされた注意に基づく認知アーキテクチャを提案する。 このフレームワークは、高速だが(人間のような)応答と、遅いが最適化されたマシンインテリジェンスの計画能力を統合する。
  論文  参考訳（メタデータ） (2024-04-15T15:47:08Z)
• A Survey of Optimization-based Task and Motion Planning: From Classical To Learning Approaches [15.136760934936381]
  タスク・アンド・モーション・プランニング(TAMP)は、高レベルなタスク計画と低レベルなモーション・プランニングを統合し、ロボットに自律性を持たせ、長期にわたる動的タスクを推論する。 この調査では、最適化に基づくTAMPの包括的なレビュー、(i)計画ドメイン表現、(ii)AI計画と軌道最適化(TO)を含むコンポーネントの個別ソリューション戦略、(iii)論理ベースのタスク計画とモデルベースのTOの動的相互作用について紹介する。
  論文  参考訳（メタデータ） (2024-04-03T15:38:36Z)
• KnowAgent: Knowledge-Augmented Planning for LLM-Based Agents [52.34892973785117]
  大規模言語モデル(LLM)は複雑な推論タスクにおいて大きな可能性を証明していますが、より高度な課題に取り組むには不十分です。 この不適切さは、主に言語エージェントのアクション知識が組み込まれていないことに起因する。 我々は、明示的な行動知識を取り入れることで、LLMの計画能力を高めるために設計された新しいアプローチであるKnowAgentを紹介する。
  論文  参考訳（メタデータ） (2024-03-05T16:39:12Z)
• Deep hybrid models: infer and plan in a dynamic world [0.0]
  3つの特徴に基づいて離散的かつ連続的な処理を利用する能動的推論手法を提案する。 モデルが異なる条件下で提示された課題に対処できることが示される。
  論文  参考訳（メタデータ） (2024-02-01T15:15:25Z)

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。