論文の概要: Addressing the alignment problem in transportation policy making: an LLM approach

• arxiv url: http://arxiv.org/abs/2510.13139v1
• Date: Wed, 15 Oct 2025 04:36:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.496643
• Title: Addressing the alignment problem in transportation policy making: an LLM approach
• Title（参考訳）: 交通政策立案におけるアライメント問題--LLMアプローチ
• Authors: Xiaoyu Yan, Tianxing Dai, Yu, Nie,
• Abstract要約: 交通計画における重要な課題は、異種旅行者の集団的嗜好が、モデル駆動型意思決定ツールによって生み出される方針からしばしば分かれることである。 本稿では,大規模言語モデル(LLM)がこのアライメント問題に対処するのに有効かどうかを検討する。
• 参考スコア（独自算出の注目度）: 0.3499870393443268
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A key challenge in transportation planning is that the collective preferences of heterogeneous travelers often diverge from the policies produced by model-driven decision tools. This misalignment frequently results in implementation delays or failures. Here, we investigate whether large language models (LLMs), noted for their capabilities in reasoning and simulating human decision-making, can help inform and address this alignment problem. We develop a multi-agent simulation in which LLMs, acting as agents representing residents from different communities in a city, participate in a referendum on a set of transit policy proposals. Using chain-of-thought reasoning, LLM agents provide ranked-choice or approval-based preferences, which are aggregated using instant-runoff voting (IRV) to model democratic consensus. We implement this simulation framework with both GPT-4o and Claude-3.5, and apply it for Chicago and Houston. Our findings suggest that LLM agents are capable of approximating plausible collective preferences and responding to local context, while also displaying model-specific behavioral biases and modest divergences from optimization-based benchmarks. These capabilities underscore both the promise and limitations of LLMs as tools for solving the alignment problem in transportation decision-making.
• Abstract（参考訳）: 交通計画における重要な課題は、異種旅行者の集団的嗜好が、モデル駆動型意思決定ツールによって生み出される方針からしばしば分かれることである。 このミスアライメントは、しばしば実装の遅延や失敗をもたらす。 本稿では,人間の意思決定を推論し,シミュレーションする能力に注目する大規模言語モデル(LLM)が,このアライメント問題に対処する上で有効であるかどうかを考察する。 都市内の異なるコミュニティの住民を代表するエージェントとして働くLCMが、一連の交通政策提案に関する国民投票に参加するマルチエージェントシミュレーションを開発する。 LLMエージェントは、チェーン・オブ・シークレット・推論を用いてランク選択または承認に基づく選好を提供し、即時投票(IRV)を用いて集計され、民主的コンセンサスをモデル化する。 GPT-4oとClaude-3.5を併用したシミュレーションフレームワークを実装し,シカゴとヒューストンに応用した。 以上の結果から, LLMエージェントは, 最適化に基づくベンチマークから, モデル固有の行動バイアスやモデムの偏りを呈示しながら, 妥当な集団的嗜好を近似し, 局所的文脈に対応することができることが示唆された。 これらの能力は、輸送意思決定におけるアライメント問題を解決するためのツールとして、LSMの約束と限界の両方を強調している。

関連論文リスト

• SAND: Boosting LLM Agents with Self-Taught Action Deliberation [54.48979740613828]
  大規模言語モデル(LLM)エージェントは、通常、ReActスタイルの専門家軌道の教師付き微調整や、ペアのロールアウトよりも好みの最適化で調整される。 本稿では,自己学習型アクチオN審議(SAND)フレームワークを提案する。 SANDは、初期教師付き微調整よりも平均20%改善し、また最先端のエージェントチューニングアプローチより優れている。
  論文  参考訳（メタデータ） (2025-07-10T05:38:15Z)
• Aligning LLM with human travel choices: a persona-based embedding learning approach [15.11130742093296]
  本稿では,大規模言語モデルと人間の旅行選択行動の整合性を示す新しい枠組みを提案する。 我々のフレームワークは、パーソナ推論とロードプロセスを使用して、アライメントを強化するのに適したプロンプトでLLMを条件付けします。
  論文  参考訳（メタデータ） (2025-05-25T06:54:01Z)
• 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)
• Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
  大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。 しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。 人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:49:25Z)
• How Strategic Agents Respond: Comparing Analytical Models with LLM-Generated Responses in Strategic Classification [11.614944245315186]
  我々は、エージェントと意思決定者の相互作用を研究するために戦略分類を用いる。 i) LLMはSC設定において効果的で社会的に責任のある戦略を生成することができるか? 意思決定方針にアクセスできなくても、LLMはエージェントのスコアと資格を改善する効果的な戦略を生み出すことができることを示す。
  論文  参考訳（メタデータ） (2025-01-20T01:39:03Z)
• AI-Driven Day-to-Day Route Choice [15.934133434324755]
  LLMTravelerは過去の経験から学び、検索したデータと性格特性のバランスをとることで意思決定を行うエージェントである。 本稿では,LLMTravelerが日常の混雑ゲーム2段階を通じて人間的な意思決定を再現する能力について,体系的に評価する。 この能力は、旅行者の新しいポリシーに対する反応やネットワークの変更をシミュレートするなど、交通政策立案に有用な洞察を提供する。
  論文  参考訳（メタデータ） (2024-12-04T14:13:38Z)
• LanguageMPC: Large Language Models as Decision Makers for Autonomous Driving [84.31119464141631]
  この作業では、複雑な自律運転シナリオの意思決定コンポーネントとして、Large Language Models(LLM)を採用している。 大規模実験により,提案手法は単車載タスクのベースラインアプローチを一貫して超えるだけでなく,複数車載コーディネートにおいても複雑な運転動作の処理にも有効であることが示された。
  論文  参考訳（メタデータ） (2023-10-04T17:59:49Z)

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。