論文の概要: GeoEvolve: Automating Geospatial Model Discovery via Multi-Agent Large Language Models

• arxiv url: http://arxiv.org/abs/2509.21593v1
• Date: Thu, 25 Sep 2025 21:03:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.019463
• Title: GeoEvolve: Automating Geospatial Model Discovery via Multi-Agent Large Language Models
• Title（参考訳）: GeoEvolve: マルチエージェント大規模言語モデルによる地理空間モデル発見の自動化
• Authors: Peng Luo, Xiayin Lou, Yu Zheng, Zhuo Zheng, Stefano Ermon,
• Abstract要約: 進化的探索と地理空間的ドメイン知識を結合した多エージェントLLMフレームワークであるGeoEvolveを紹介する。 本研究では,空間的不確実性と空間的不確実性という2つの基本的・古典的課題について評価する。 空間誤差(RMSE)を13-21%削減し、不確実性推定性能を17%向上させる。
• 参考スコア（独自算出の注目度）: 49.257706111340134
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Geospatial modeling provides critical solutions for pressing global challenges such as sustainability and climate change. Existing large language model (LLM)-based algorithm discovery frameworks, such as AlphaEvolve, excel at evolving generic code but lack the domain knowledge and multi-step reasoning required for complex geospatial problems. We introduce GeoEvolve, a multi-agent LLM framework that couples evolutionary search with geospatial domain knowledge to automatically design and refine geospatial algorithms. GeoEvolve operates in two nested loops: an inner loop leverages a code evolver to generate and mutate candidate solutions, while an outer agentic controller evaluates global elites and queries a GeoKnowRAG module -- a structured geospatial knowledge base that injects theoretical priors from geography. This knowledge-guided evolution steers the search toward theoretically meaningful and computationally efficient algorithms. We evaluate GeoEvolve on two fundamental and classical tasks: spatial interpolation (kriging) and spatial uncertainty quantification (geospatial conformal prediction). Across these benchmarks, GeoEvolve automatically improves and discovers new algorithms, incorporating geospatial theory on top of classical models. It reduces spatial interpolation error (RMSE) by 13-21% and enhances uncertainty estimation performance by 17\%. Ablation studies confirm that domain-guided retrieval is essential for stable, high-quality evolution. These results demonstrate that GeoEvolve provides a scalable path toward automated, knowledge-driven geospatial modeling, opening new opportunities for trustworthy and efficient AI-for-Science discovery.
• Abstract（参考訳）: 地理空間モデリングは、持続可能性や気候変動といった世界的な課題を迫る重要な解決策を提供する。 AlphaEvolveのような既存の大規模言語モデル(LLM)ベースのアルゴリズム発見フレームワークは、進化する汎用コードに優れているが、複雑な地理空間問題に必要なドメイン知識や多段階推論は欠如している。 進化的探索と地理空間知識を結合した多エージェントLLMフレームワークであるGeoEvolveを導入し、地理空間アルゴリズムを自動設計・洗練する。 GeoEvolveは2つのネストされたループで動作している。内部ループはコード進化器を利用して候補ソリューションを生成し、変更する一方、外部エージェントコントローラはグローバルなエリートを評価し、GeoKnowRAGモジュールをクエリする。 この知識誘導進化は理論的に有意義で計算学的に効率的なアルゴリズムへの探索を支えている。 我々はGeoEvolveを,空間補間(クリグ)と空間不確実性定量化(空間共形予測)の2つの基本的・古典的なタスクで評価する。 これらのベンチマーク全体で、GeoEvolveは従来のモデルの上に地理空間理論を組み込んで、新しいアルゴリズムを自動で改善し、発見する。 空間補間誤差(RMSE)を13～21%削減し、不確実性推定性能を17～2%向上させる。 アブレーション研究は、ドメイン誘導検索が安定で高品質な進化に不可欠であることを確認した。 これらの結果は、GeoEvolveが、自動化された知識駆動型地理空間モデリングへのスケーラブルなパスを提供し、信頼に値する効率的なAI-For-Science発見のための新たな機会を開くことを実証している。

関連論文リスト

• GeoGPT-RAG Technical Report [48.23789135946953]
  GeoGPTは、地球科学の研究を進めるために開発されたオープンな大規模言語モデルシステムである。 RAGは、外部知識ソースから取得した関連情報を出力する。 RAGは、地質学的コンテンツ用にキュレーションされた特殊なコーパスであるGeoGPT Libraryから、RAGを使用して描画する。
  論文  参考訳（メタデータ） (2025-08-18T08:29:22Z)
• GeoSR: Cognitive-Agentic Framework for Probing Geospatial Knowledge Boundaries via Iterative Self-Refinement [4.026524042818433]
  GeoSRは自己修正型のエージェント推論フレームワークで、コア地理的原則を反復予測ループに組み込む。 物理世界特性推定から社会経済予測に至るまでのタスクにおけるGeoSRの検証を行う。
  論文  参考訳（メタデータ） (2025-08-06T04:45:34Z)
• TrustGeoGen: Formal-Verified Data Engine for Trustworthy Multi-modal Geometric Problem Solving [106.04001249574786]
  TrustGeoGenは、標準的で信頼性の高いベンチマークを確立するために、正式に検証された幾何問題を生成するデータエンジンである。 1)ダイアグラム,テキスト,ステップバイステップのソリューションの生成を同期するマルチモーダルアライメント,2)すべての推論パスがルール準拠であることを保証する形式検証,3)接続思考,ブリッジング,ヒューマンライクな論理ステップとの論理的推論,4)複数のソリューションと自己回帰バックトラックを備えた多種多様な問題を生成できるTextitGeoExploreシリーズアルゴリズム。
  論文  参考訳（メタデータ） (2025-04-22T10:45:23Z)
• OmniGeo: Towards a Multimodal Large Language Models for Geospatial Artificial Intelligence [51.0456395687016]
  マルチモーダル大言語モデル(LLM)が人工知能の新しいフロンティアをオープンした。 地理空間応用に適したMLLM(OmniGeo)を提案する。 自然言語理解の長所と空間的推論の長所を組み合わせることで,GeoAIシステムの指示追従能力と精度を高めることができる。
  論文  参考訳（メタデータ） (2025-03-20T16:45:48Z)
• Geolocation with Real Human Gameplay Data: A Large-Scale Dataset and Human-Like Reasoning Framework [59.42946541163632]
  3つの重要なコンポーネントを持つ包括的位置決めフレームワークを導入する。 大規模データセットGeoComp、新しい推論手法GeoCoT、評価指標GeoEval。 また,GeoCoTは解釈可能性を高めつつ,位置情報の精度を最大25%向上させることを示した。
  論文  参考訳（メタデータ） (2025-02-19T14:21:25Z)
• PEACE: Empowering Geologic Map Holistic Understanding with MLLMs [64.58959634712215]
  地質図は地質学の基本的な図として、地球の地下と地表の構造と構成に関する重要な洞察を提供する。 その重要性にもかかわらず、現在のマルチモーダル大言語モデル(MLLM)は地質図の理解に乏しいことが多い。 このギャップを定量化するために、地質地図理解においてMLLMを評価するための最初のベンチマークであるGeoMap-Benchを構築した。
  論文  参考訳（メタデータ） (2025-01-10T18:59:42Z)
• Geometric Feature Enhanced Knowledge Graph Embedding and Spatial Reasoning [8.561588656662419]
  Geospatial Knowledge Graphs (GeoKGs) は地理と空間関係を相互にモデル化する。 一般的な知識グラフ埋め込み(KGE)技術のような、GeoKGからの採掘と推論のための既存の手法は、認識を欠いている。 本研究の目的は,新しい戦略を開発し,空間関係の幾何学的特徴を統合することで汎用KGEを強化することである。
  論文  参考訳（メタデータ） (2024-10-24T00:53:48Z)
• GeoAI Reproducibility and Replicability: a computational and spatial perspective [3.46924652750064]
  本稿では,このトピックを計算的,空間的両面から詳細に分析することを目的とする。 まず,GeoAI研究を再現するための主要な目標,すなわち検証(再現性),類似あるいは新しい問題の解法(再現性)の学習と適応,研究成果の一般化可能性(再現性)について検討する。 次に、GeoAI研究におけるR&Rの欠如の原因となる要因について、(1)トレーニングデータの選択と使用、(2)GeoAIモデル設計、トレーニング、デプロイメント、推論プロセスに存在する不確実性について論じる。
  論文  参考訳（メタデータ） (2024-04-15T19:43:16Z)

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。