論文の概要: HiCoTraj:Zero-Shot Demographic Reasoning via Hierarchical Chain-of-Thought Prompting from Trajectory

• arxiv url: http://arxiv.org/abs/2510.12067v1
• Date: Tue, 14 Oct 2025 02:18:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.145598
• Title: HiCoTraj:Zero-Shot Demographic Reasoning via Hierarchical Chain-of-Thought Prompting from Trajectory
• Title（参考訳）: HiCoTraj:Zero-Shot Demographic Reasoning via Hierarchical Chain-of-Thought Prompting from Trajectory
• Authors: Junyi Xie, Yuankun Jiao, Jina Kim, Yao-Yi Chiang, Lingyi Zhao, Khurram Shafique,
• Abstract要約: 既存のモビリティに基づく人口推定研究は、人口統計ラベルを持つ大規模軌跡データに依存している。 ラベル付きトレーニングデータなしで人口推定を行うフレームワークであるHiCoTrajを提案する。 ゼロショットシナリオにおいて,HiCoTrajは複数の階層属性をまたいだ競合性能を実現する。
• 参考スコア（独自算出の注目度）: 7.5718216170269566
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inferring demographic attributes such as age, sex, or income level from human mobility patterns enables critical applications such as targeted public health interventions, equitable urban planning, and personalized transportation services. Existing mobility-based demographic inference studies heavily rely on large-scale trajectory data with demographic labels, leading to limited interpretability and poor generalizability across different datasets and user groups. We propose HiCoTraj (Zero-Shot Demographic Reasoning via Hierarchical Chain-of-Thought Prompting from Trajectory), a framework that leverages LLMs' zero-shot learning and semantic understanding capabilities to perform demographic inference without labeled training data. HiCoTraj transforms trajectories into semantically rich, natural language representations by creating detailed activity chronicles and multi-scale visiting summaries. Then HiCoTraj uses a novel hierarchical chain of thought reasoning to systematically guide LLMs through three cognitive stages: factual feature extraction, behavioral pattern analysis, and demographic inference with structured output. This approach addresses the scarcity challenge of labeled demographic data while providing transparent reasoning chains. Experimental evaluation on real-world trajectory data demonstrates that HiCoTraj achieves competitive performance across multiple demographic attributes in zero-shot scenarios.
• Abstract（参考訳）: ヒトの移動パターンから年齢、性別、収入などの人口統計特性を推定することで、ターゲットの公衆衛生介入、公平な都市計画、パーソナライズされた交通サービスといった重要な応用が可能になる。 既存のモビリティに基づく人口推定研究は、人口統計ラベルによる大規模軌跡データに大きく依存しており、異なるデータセットやユーザグループ間での解釈可能性や一般化性に限界がある。 我々は,LLMのゼロショット学習と意味理解機能を活用して,ラベル付きトレーニングデータなしで人口動態推論を行うフレームワークであるHiCoTrajを提案する。 HiCoTrajは、詳細なアクティビティの年代記とマルチスケールのサマリーを作成することで、軌跡を意味的にリッチな自然言語表現に変換する。 そして、HiCoTrajは、3つの認知段階(事実的特徴抽出、行動パターン分析、構造化されたアウトプットによる人口統計分析)を通してLLMを体系的に導くために、新しい階層的な思考推論の連鎖を用いる。 このアプローチは、透明な推論チェーンを提供しながら、ラベル付き人口統計データの不足に対処する。 実世界の軌道データに対する実験的評価は、HiCoTrajがゼロショットシナリオにおける複数の階層属性間の競合性能を達成することを示す。

関連論文リスト

• LLM-based Contrastive Self-Supervised AMR Learning with Masked Graph Autoencoders for Fake News Detection [17.045049022252563]
  デジタル時代における誤報の拡散は、社会的な大きな課題に繋がった。 既存のアプローチは、しばしば、長距離依存、複雑な意味関係、およびニュース拡散に影響を与える社会的ダイナミクスの獲得に苦慮する。 本稿では,複雑な意味関係とニュース伝搬ダイナミクスを融合した,自己教師型誤情報検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-26T08:58:35Z)
• Graph RAG as Human Choice Model: Building a Data-Driven Mobility Agent with Preference Chain [4.675541221895496]
  LLM(Large Language Models)を利用した生成エージェントの最近の進歩は、広範囲なデータセットに頼ることなく、人間の振る舞いをシミュレートする可能性を示している。 本稿では,LLMとグラフ検索・拡張生成(RAG)を統合し,交通システムにおける人間行動の文脈認識シミュレーションを強化する新しい手法であるPreference Chainを紹介する。
  論文  参考訳（メタデータ） (2025-08-22T07:50:57Z)
• TrajLLM: A Modular LLM-Enhanced Agent-Based Framework for Realistic Human Trajectory Simulation [3.8106509573548286]
  この作業は、Large Language Models(LLM)を活用して人間のモビリティをシミュレートし、従来のモデルにおける高コストやプライバシの問題に対処する。 我々の階層的枠組みは、実世界の人口統計と心理データを用いて、ペルソナ生成、活動選択、目的地予測を統合している。
  論文  参考訳（メタデータ） (2025-02-26T00:13:26Z)
• Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
  メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-01-20T07:12:40Z)
• Deciphering Human Mobility: Inferring Semantics of Trajectories with Large Language Models [10.841035090991651]
  本稿では,ユーザの職業カテゴリー,活動,シーケンス,軌道記述の3つの重要な側面を通じて意味推論を定義する。 本稿では,トラジェクトリデータのセマンティック分析を活用するために,大規模言語モデルを用いたトラジェクトリ意味推論(TSI-LLM)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-30T08:55:48Z)
• On the steerability of large language models toward data-driven personas [98.9138902560793]
  大規模言語モデル(LLM)は、特定のグループや集団の意見が不足している偏りのある応答を生成することが知られている。 本稿では, LLM を用いて特定の視点の制御可能な生成を実現するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-11-08T19:01:13Z)
• Bias and Fairness in Large Language Models: A Survey [73.87651986156006]
  本稿では,大規模言語モデル(LLM)のバイアス評価と緩和手法に関する総合的な調査を行う。 まず、自然言語処理における社会的偏見と公平性の概念を統合し、形式化し、拡張する。 次に,3つの直感的な2つのバイアス評価法と1つの緩和法を提案し,文献を統一する。
  論文  参考訳（メタデータ） (2023-09-02T00:32:55Z)
• Robust Saliency-Aware Distillation for Few-shot Fine-grained Visual Recognition [57.08108545219043]
  サンプルが少ない新しいサブカテゴリを認識することは、コンピュータビジョンにおいて不可欠で挑戦的な研究課題である。 既存の文献は、ローカルベースの表現アプローチを採用することでこの問題に対処している。 本稿では,ロバスト・サリエンシ・アウェア蒸留法(RSaD)を提案する。
  論文  参考訳（メタデータ） (2023-05-12T00:13:17Z)

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。