論文の概要: Constraint-Aware Route Recommendation from Natural Language via Hierarchical LLM Agents

• arxiv url: http://arxiv.org/abs/2510.06078v1
• Date: Tue, 07 Oct 2025 16:03:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.343954
• Title: Constraint-Aware Route Recommendation from Natural Language via Hierarchical LLM Agents
• Title（参考訳）: 階層型LLMエージェントによる自然言語からの制約を考慮した経路推薦
• Authors: Tao Zhe, Rui Liu, Fateme Memar, Xiao Luo, Wei Fan, Xinyue Ye, Zhongren Peng, Dongjie Wang,
• Abstract要約: RouteLLMは階層的なマルチエージェントフレームワークで、自然言語の意図を制約対応ルートに基礎付ける。 まず、ユーザクエリをPOI、パス、制約を含む構造化インテントに解析する。 最終検証エージェントは、制約満足度を確保し、解釈可能な理論的根拠で最終経路を生成する。
• 参考スコア（独自算出の注目度）: 21.473451572179552
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Route recommendation aims to provide users with optimal travel plans that satisfy diverse and complex requirements. Classical routing algorithms (e.g., shortest-path and constraint-aware search) are efficient but assume structured inputs and fixed objectives, limiting adaptability to natural-language queries. Recent LLM-based approaches enhance flexibility but struggle with spatial reasoning and the joint modeling of route-level and POI-level preferences. To address these limitations, we propose RouteLLM, a hierarchical multi-agent framework that grounds natural-language intents into constraint-aware routes. It first parses user queries into structured intents including POIs, paths, and constraints. A manager agent then coordinates specialized sub-agents: a constraint agent that resolves and formally check constraints, a POI agent that retrieves and ranks candidate POIs, and a path refinement agent that refines routes via a routing engine with preference-conditioned costs. A final verifier agent ensures constraint satisfaction and produces the final route with an interpretable rationale. This design bridges linguistic flexibility and spatial structure, enabling reasoning over route feasibility and user preferences. Experiments show that our method reliably grounds textual preferences into constraint-aware routes, improving route quality and preference satisfaction over classical methods.
• Abstract（参考訳）: ルートレコメンデーションは、多様な複雑な要件を満たす最適な旅行計画を提供することを目的としている。 古典的なルーティングアルゴリズム(例えば、最短パスと制約対応探索)は効率的であるが、構造化された入力と固定された目的を仮定し、自然言語クエリへの適応性を制限する。 LLMに基づく最近のアプローチは、柔軟性を高めるが、空間的推論とルートレベルとPOIレベルの嗜好の合同モデリングに苦慮している。 これらの制約に対処するために,自然言語の意図を制約対応ルートに基礎付ける階層型マルチエージェントフレームワークであるRouteLLMを提案する。 まず、ユーザクエリをPOI、パス、制約を含む構造化インテントに解析する。 管理者エージェントは、制約を解決し、正式にチェックする制約エージェントと、候補のPOIを検索してランク付けするPOIエージェントと、優先条件のコストでルーティングエンジンを介してルートを洗練するパスリファインメントエージェントと、特別なサブエージェントをコーディネートする。 最終検証エージェントは、制約満足度を確保し、解釈可能な理論的根拠で最終経路を生成する。 この設計は言語的柔軟性と空間的構造を橋渡しし、ルートの実現可能性やユーザの好みに対する推論を可能にする。 実験により,本手法は制約を考慮した経路にテキストの嗜好を確実に適用し,古典的手法よりも経路品質と嗜好の満足度を向上させることが示された。

関連論文リスト

• AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
  tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。 エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
  論文  参考訳（メタデータ） (2025-10-06T23:20:49Z)
• Learning to Route: A Rule-Driven Agent Framework for Hybrid-Source Retrieval-Augmented Generation [55.47971671635531]
  大言語モデル(LLM)は、一般質問回答(QA)において顕著な性能を示した。 Retrieval-Augmented Generation (RAG)は、LLMを外部知識で強化することで、この制限に対処する。 既存のシステムは、主に構造化されていないドキュメントに依存しているが、主にリレーショナルデータベースを見下ろしている。
  論文  参考訳（メタデータ） (2025-09-30T22:19:44Z)
• LLMAP: LLM-Assisted Multi-Objective Route Planning with User Preferences [31.10423199218523]
  大規模言語モデル(LLM)の台頭により、リッチなユーザ目標を含む新たな研究領域を自然言語駆動で計画するルートが生まれている。 本稿では,自然言語を理解し,タスクを識別し,ユーザの好みを抽出するLLM-asタスクを提案する。 世界中の14の国と27の都市で、様々な複雑さでサンプリングされた1000のルーティングプロンプトを用いて広範な実験を行っている。
  論文  参考訳（メタデータ） (2025-09-14T02:30:19Z)
• Adaptive LLM Routing under Budget Constraints [12.432635540782874]
  大規模言語モデル(LLM)は自然言語処理に革命をもたらしたが、その様々な能力とコストは、実用的なアプリケーションにおいて課題を引き起こしている。 従来のアプローチでは、最適なクエリ-LLMペアリングの完全な知識を前提として、これを教師付き学習問題として扱う。 本稿では,LLMルーティングを文脈的帯域幅問題として検討し,帯域幅フィードバックを用いて適応的な意思決定を可能にすることを提案する。
  論文  参考訳（メタデータ） (2025-08-28T18:18:19Z)
• Arch-Router: Aligning LLM Routing with Human Preferences [1.859931123372708]
  ルーティングは、異なるモデルの使用を運用する上で不可欠な技術になっている。 本稿では、クエリをユーザ定義ドメインにマッチさせることで、モデル選択をガイドする、嗜好整合型ルーティングフレームワークを提案する。 我々のアプローチは主観評価基準を捉え、ルーティング決定をより透明で柔軟にする。
  論文  参考訳（メタデータ） (2025-06-19T23:57:41Z)
• Navigating Motion Agents in Dynamic and Cluttered Environments through LLM Reasoning [69.5875073447454]
  本稿では,大規模言語モデル(LLM)によって強化された動作エージェントを,動的・乱雑な環境における自律的なナビゲーションに向けて前進させる。 トレーニング不要なフレームワークは、マルチエージェント調整、クローズドループ計画、動的障害物回避を、リトレーニングや微調整なしでサポートしています。
  論文  参考訳（メタデータ） (2025-03-10T13:39:09Z)
• Glider: Global and Local Instruction-Driven Expert Router [83.785832410832]
  モデルMoErging」手法は、保持タスクのパフォーマンスを犠牲にして、未確認タスクへの一般化を優先する。 マルチスケールルーティング機構を統合したGLIDER(Global and Local Instruction Driven Expert Router)を提案する。 GLIDERは、ホールドアウトタスクの強い一般化を維持しながら、ホールドイン性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-10-09T17:59:14Z)
• LLM-A*: Large Language Model Enhanced Incremental Heuristic Search on Path Planning [91.95362946266577]
  経路計画はロボット工学と自律航法における基本的な科学的問題である。 A*やその変種のような伝統的なアルゴリズムは、パスの妥当性を保証することができるが、状態空間が大きくなるにつれて、計算とメモリの非効率が著しく低下する。 本稿では, A* の正確なパスフィニング能力と LLM のグローバルな推論能力とを相乗的に組み合わせた LLM ベースの経路計画法を提案する。 このハイブリッドアプローチは、特に大規模シナリオにおいて、パス妥当性の完全性を維持しながら、時間と空間の複雑さの観点からパスフィニング効率を向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-06-20T01:24:30Z)
• Learn-n-Route: Learning implicit preferences for vehicle routing [9.434400627011108]
  ルート計画(またはルーティング)を手動で作成する際に、人間のプランナーが有する暗黙の好みをルーティングエンジンが学習する車両ルーティングの学習意思決定支援システムについて検討する。 目標は、車両ルーティングシステムの距離ベースの客観的基準の上にこれらの主観的な好みを使用することです。
  論文  参考訳（メタデータ） (2021-01-11T14:57:46Z)

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。