Fugu-MT 論文翻訳(概要): Coordinates from Context: Using LLMs to Ground Complex Location References

論文の概要: Coordinates from Context: Using LLMs to Ground Complex Location References

arxiv url: http://arxiv.org/abs/2510.08741v1
Date: Thu, 09 Oct 2025 18:51:52 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-14 00:38:47.507103
Title: Coordinates from Context: Using LLMs to Ground Complex Location References
Title（参考訳）: コンテクストからのコーディネート:LLMを地中複雑な位置参照に活用する
Authors: Tessa Masis, Brendan O'Connor,
Abstract要約: ジオコーディング(Geocoding)は、位置参照と実際の地理的位置をリンクするタスクである。比較的小さな微調整 LLM が,市販モデルよりもはるかに大きなモデルで同等の性能を達成可能であることを示す。
参考スコア（独自算出の注目度）: 1.016973253129328
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Geocoding is the task of linking a location reference to an actual geographic location and is essential for many downstream analyses of unstructured text. In this paper, we explore the challenging setting of geocoding compositional location references. Building on recent work demonstrating LLMs' abilities to reason over geospatial data, we evaluate LLMs' geospatial knowledge versus reasoning skills relevant to our task. Based on these insights, we propose an LLM-based strategy for geocoding compositional location references. We show that our approach improves performance for the task and that a relatively small fine-tuned LLM can achieve comparable performance with much larger off-the-shelf models.
Abstract（参考訳）: ジオコーディングは、位置参照と実際の地理的位置をリンクするタスクであり、非構造化テキストの下流分析に不可欠である。本稿では,ジオコーディングによる位置参照の難易度設定について検討する。 LLMの地理空間的データに対する推論能力を示す最近の研究に基づいて,LLMの地理空間的知識とタスクに関連する推論スキルを評価する。これらの知見に基づき、合成位置参照をジオコーディングするためのLLMベースの戦略を提案する。我々は,本手法によりタスクの性能が向上し,比較的小さな微調整 LLM により,市販モデルよりもはるかに大きな性能が得られることを示した。

関連論文リスト

Concise Geometric Description as a Bridge: Unleashing the Potential of LLM for Plane Geometry Problem Solving [50.05273675575345]
PlaneThought Problem Solving (PGPS) は幾何学図と問題テキスト記述に基づく平面幾何学的問題を解決することを目的としている。大規模言語モデル(LLM)は強力な推論能力を有しており、PGPSへの直接的な応用は視覚図の処理能力の欠如によって妨げられている。視覚図の幾何学的記述を生成するためにMLLMインタープリタを訓練し、既製のLCMを用いて推論を行う。
論文参考訳（メタデータ） (2026-01-29T02:03:33Z)
Understanding the Geospatial Reasoning Capabilities of LLMs: A Trajectory Recovery Perspective [31.228269455751363]
本稿では,Large Language Models (LLMs) が道路網地図を読み取ってナビゲーションを行うことができるかどうかを考察する。トラジェクトリ・リカバリは,マスク付きGPSトレースを復元するモデルを必要とするプロキシ・タスクである。我々のプロンプトフレームワークは,道路ネットワークをコンテキストとして使用することにより,外部ナビゲーションツールにアクセスすることなく,有効な経路を生成することができる。
論文参考訳（メタデータ） (2025-10-02T03:37:41Z)
DistRAG: Towards Distance-Based Spatial Reasoning in LLMs [1.1435139523855764]
我々は,LLMが学習中に明示的に学習されていない関連空間情報を検索することのできる新しいアプローチであるDistRAGを開発した。本手法は,都市と町の間の測地距離をグラフにエンコードし,その問合せに関連する文脈部分グラフを検索する。
論文参考訳（メタデータ） (2025-06-03T22:10:39Z)
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)
GEOBench-VLM: Benchmarking Vision-Language Models for Geospatial Tasks [84.86699025256705]
本稿では,地理空間的タスクの視覚言語モデル(VLM)を評価するためのベンチマークであるGEOBench-VLMを提案する。私たちのベンチマークでは、手動で検証された命令が1万以上あり、さまざまな視覚条件、オブジェクトタイプ、スケールにまたがっています。地理空間固有の課題における性能を評価するために,いくつかの最先端のVLMを評価した。
論文参考訳（メタデータ） (2024-11-28T18:59:56Z)
An LLM Agent for Automatic Geospatial Data Analysis [5.842462214442362]
大規模言語モデル(LLM)は、データサイエンスコード生成タスクで使われている。複雑なデータ構造と空間的制約を組み込むのが困難であるため,空間空間データ処理への応用は困難である。ジオアジェント(GeoAgent)は,LLMが地理空間データ処理をより効率的に処理できるように設計された対話型フレームワークである。
論文参考訳（メタデータ） (2024-10-24T14:47:25Z)
Swarm Intelligence in Geo-Localization: A Multi-Agent Large Vision-Language Model Collaborative Framework [51.26566634946208]
smileGeoは、新しい視覚的ジオローカライゼーションフレームワークである。エージェント間のコミュニケーションによって、SmithGeoはこれらのエージェントの固有の知識と、検索された情報を統合する。その結果,本手法は現在の最先端手法よりも優れていた。
論文参考訳（メタデータ） (2024-08-21T03:31:30Z)
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)
Are Large Language Models Geospatially Knowledgeable? [21.401931052512595]
本稿では,Large Language Models (LLM) で符号化された地理空間的知識,認識,推論能力の程度について検討する。自己回帰言語モデルに焦点をあて, (i) 地理座標系におけるLLMの探索と地理空間知識の評価, (ii) 地理空間的および非地理空間的前置法を用いて地理空間的意識を測定する, (iii) 多次元スケーリング(MDS) 実験を用いて, モデルの地理空間的推論能力を評価する, 実験手法を考案した。
論文参考訳（メタデータ） (2023-10-09T17:20:11Z)
K2: A Foundation Language Model for Geoscience Knowledge Understanding and Utilization [105.89544876731942]
大規模言語モデル(LLM)は自然言語処理の一般分野において大きな成功を収めている。我々は、地球科学におけるLLM研究をさらに促進するために開発された一連の資源とともに、地球科学における最初のLLMであるK2を提示する。
論文参考訳（メタデータ） (2023-06-08T09:29:05Z)

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。