論文の概要: UrbanInsight: A Distributed Edge Computing Framework with LLM-Powered Data Filtering for Smart City Digital Twins

• arxiv url: http://arxiv.org/abs/2509.00936v1
• Date: Sun, 31 Aug 2025 17:10:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.472148
• Title: UrbanInsight: A Distributed Edge Computing Framework with LLM-Powered Data Filtering for Smart City Digital Twins
• Title（参考訳）: UrbanInsight: スマートシティディジタルツインのためのLLMによるデータフィルタリングを備えた分散エッジコンピューティングフレームワーク
• Authors: Kishor Datta Gupta, Md Manjurul Ahsan, Mohd Ariful Haque, Roy George, Azmine Toushik Wasi,
• Abstract要約: 都市は、センサー、カメラ、そして接続されたインフラから膨大な量のデータストリームを生成します。 既存のシステムのほとんどは、スケールやレイテンシ、断片的な洞察に苦慮しています。 この研究は、物理インフォームド機械学習、マルチモーダルデータ融合、知識グラフ表現をブレンドするフレームワークを導入している。
• 参考スコア（独自算出の注目度）: 5.477477311297089
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cities today generate enormous streams of data from sensors, cameras, and connected infrastructure. While this information offers unprecedented opportunities to improve urban life, most existing systems struggle with scale, latency, and fragmented insights. This work introduces a framework that blends physics-informed machine learning, multimodal data fusion, and knowledge graph representation with adaptive, rule-based intelligence powered by large language models (LLMs). Physics-informed methods ground learning in real-world constraints, ensuring predictions remain meaningful and consistent with physical dynamics. Knowledge graphs act as the semantic backbone, integrating heterogeneous sensor data into a connected, queryable structure. At the edge, LLMs generate context-aware rules that adapt filtering and decision-making in real time, enabling efficient operation even under constrained resources. Together, these elements form a foundation for digital twin systems that go beyond passive monitoring to provide actionable insights. By uniting physics-based reasoning, semantic data fusion, and adaptive rule generation, this approach opens new possibilities for creating responsive, trustworthy, and sustainable smart infrastructures.
• Abstract（参考訳）: 現在、都市はセンサー、カメラ、そして接続されたインフラから膨大な量のデータストリームを生成している。 この情報は、都市生活を改善するための前例のない機会を提供するが、既存のシステムのほとんどは、スケール、レイテンシ、断片化された洞察に苦慮している。 本研究では,物理インフォームド機械学習,マルチモーダルデータ融合,知識グラフ表現と,大規模言語モデル(LLM)を用いた適応型ルールベースインテリジェンスを融合したフレームワークを提案する。 物理インフォームド手法は現実世界の制約下での学習を基底とし、予測が物理的力学と意味的かつ整合性を保つ。 知識グラフはセマンティックバックボーンとして機能し、異種センサデータを接続されたクエリ可能な構造に統合する。 エッジでは、LLMがコンテキスト対応のルールを生成し、フィルタリングと意思決定をリアルタイムで適用し、制約のあるリソースでも効率的な操作を可能にする。 これらの要素は、受動的監視を超えて、実用的な洞察を提供するデジタルツインシステムの基盤を形成する。 物理ベースの推論、セマンティックデータ融合、適応ルール生成を統一することにより、このアプローチは応答性、信頼性、持続可能なスマートインフラストラクチャを作成する新たな可能性を開く。

関連論文リスト

• PercepTwin: Modeling High-Fidelity Digital Twins for Sim2Real LiDAR-based Perception for Intelligent Transportation Systems [3.1508266388327324]
  本稿では,HiFi DTを用いた大規模かつ高品質な合成データセットを作成するための厳密な手法を提案する。 提案されたワークフローは、現実世界の環境をデジタルに複製するためのステップ、ツール、ベストプラクティスを概説している。
  論文  参考訳（メタデータ） (2025-09-03T00:12:15Z)
• Predicting Large-scale Urban Network Dynamics with Energy-informed Graph Neural Diffusion [51.198001060683296]
  ネットワーク化された都市システムは人、資源、サービスのフローを促進する。 グラフニューラルネットワークのような現在のモデルは、将来性を示しているが、有効性と効率性のトレードオフに直面している。 本論文は,本質的なモデル設計を伝えるための物理法則からインスピレーションを得て,このトレードオフに対処する。
  論文  参考訳（メタデータ） (2025-07-31T01:24:01Z)
• Open-Source LLM-Driven Federated Transformer for Predictive IoV Management [1.8024397171920885]
  Federated Prompt-d Traffic Transformer (FPoTT)は、オープンソースのLarge Language Modelsを利用して予測IoV管理を行う新しいフレームワークである。 FPoTTは動的プロンプト最適化機構を導入し、テキストプロンプトを反復的に洗練して軌道予測を強化する。 このアーキテクチャは、リアルタイム推論のための軽量エッジモデルと、グローバルインテリジェンスを維持するためのクラウドベースのLLMを組み合わせた、二重層フェデレーション学習パラダイムを採用している。
  論文  参考訳（メタデータ） (2025-05-01T16:54:21Z)
• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• Scalable Offline Reinforcement Learning for Mean Field Games [6.8267158622784745]
  Off-MMDは、純粋なオフラインデータを用いて平均フィールドゲームにおける平衡ポリシーを近似する新しい平均フィールドRLアルゴリズムである。 我々のアルゴリズムは複雑な環境にスケールし、群衆探索やナビゲーションといったベンチマークタスクで強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-10-23T14:16:34Z)
• Explainable Spatio-Temporal Graph Neural Networks [16.313146933922752]
  本稿では,STGNNを本質的に説明可能な形で拡張する,説明可能な時空間グラフニューラルネットワーク(STGNN)フレームワークを提案する。 本フレームワークは,STGエンコーダとデコーダとして位置情報融合層と統合時間グラフアテンションネットワークを統合した。 予測精度と説明可能性の指標から,STExplainerは最先端のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-26T04:47:28Z)
• Federated Fine-Tuning of LLMs on the Very Edge: The Good, the Bad, the Ugly [62.473245910234304]
  本稿では,最新のエッジコンピューティングシステムにおいて,Large Language Modelsをどのように導入できるかを,ハードウェア中心のアプローチで検討する。 マイクロレベルのハードウェアベンチマークを行い、FLOPモデルと最先端のデータセンターGPUを比較し、現実的な条件下でのネットワーク利用について検討する。
  論文  参考訳（メタデータ） (2023-10-04T20:27:20Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。