論文の概要: AgentSense: LLMs Empower Generalizable and Explainable Web-Based Participatory Urban Sensing

• arxiv url: http://arxiv.org/abs/2510.19661v1
• Date: Wed, 22 Oct 2025 15:06:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:15.941092
• Title: AgentSense: LLMs Empower Generalizable and Explainable Web-Based Participatory Urban Sensing
• Title（参考訳）: AgentSense: LLMは汎用的で説明可能なWebベース参加型都市センシングを実現する
• Authors: Xusen Guo, Mingxing Peng, Xixuan Hao, Xingchen Zou, Qiongyan Wang, Sijie Ruan, Yuxuan Liang,
• Abstract要約: AgentSenseは、大規模な言語モデルを参加型都市センシングに統合する、トレーニング不要のフレームワークである。 我々はAgentSenseが従来の手法よりも適応性と説明性に明確な優位性を持っていることを示す。
• 参考スコア（独自算出の注目度）: 31.732273940704843
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Web-based participatory urban sensing has emerged as a vital approach for modern urban management by leveraging mobile individuals as distributed sensors. However, existing urban sensing systems struggle with limited generalization across diverse urban scenarios and poor interpretability in decision-making. In this work, we introduce AgentSense, a hybrid, training-free framework that integrates large language models (LLMs) into participatory urban sensing through a multi-agent evolution system. AgentSense initially employs classical planner to generate baseline solutions and then iteratively refines them to adapt sensing task assignments to dynamic urban conditions and heterogeneous worker preferences, while producing natural language explanations that enhance transparency and trust. Extensive experiments across two large-scale mobility datasets and seven types of dynamic disturbances demonstrate that AgentSense offers distinct advantages in adaptivity and explainability over traditional methods. Furthermore, compared to single-agent LLM baselines, our approach outperforms in both performance and robustness, while delivering more reasonable and transparent explanations. These results position AgentSense as a significant advancement towards deploying adaptive and explainable urban sensing systems on the web.
• Abstract（参考訳）: Webを基盤とした参加型都市センシングは,移動体を分散センサとして活用することで,現代都市管理にとって重要なアプローチとなっている。 しかし、既存の都市センシングシステムは、多様な都市シナリオにおける限定的な一般化と、意思決定における解釈可能性の低下に苦慮している。 本研究では,大規模言語モデル(LLM)を多エージェント進化システムを通じて参加型都市センシングに統合するハイブリッドな学習自由フレームワークであるAgentSenseを紹介する。 AgentSenseは当初、古典的なプランナーを使用してベースラインソリューションを生成し、その上で、知覚タスクの割り当てを動的な都市環境や異種労働者の好みに適応させると同時に、透明性と信頼を高める自然言語の説明を生成するために反復的に洗練する。 2つの大規模なモビリティデータセットと7種類の動的障害に対する大規模な実験は、AgentSenseが従来の手法よりも適応性と説明可能性に明確な利点を提供していることを示している。 さらに,単一エージェントのLCMベースラインと比較して,本手法は性能とロバスト性の両方で優れ,より合理的で透明な説明を提供する。 これらの結果から,AgentSenseは適応的かつ説明可能な都市センシングシステムをWeb上に展開するための重要な進歩であると考えられた。

関連論文リスト

• Predicting Large-scale Urban Network Dynamics with Energy-informed Graph Neural Diffusion [51.198001060683296]
  ネットワーク化された都市システムは人、資源、サービスのフローを促進する。 グラフニューラルネットワークのような現在のモデルは、将来性を示しているが、有効性と効率性のトレードオフに直面している。 本論文は,本質的なモデル設計を伝えるための物理法則からインスピレーションを得て,このトレードオフに対処する。
  論文  参考訳（メタデータ） (2025-07-31T01:24:01Z)
• Large Language Model Powered Intelligent Urban Agents: Concepts, Capabilities, and Applications [11.994794218481122]
  大規模言語モデル(LLM)は、インテリジェントシティのビジョンを実現するための新しい方法を開いた。 本稿では,都市におけるサイバー物理と社会のハイブリッド空間において,半エンボディードな都市型LLMエージェントについて述べる。
  論文  参考訳（メタデータ） (2025-07-01T16:18:29Z)
• UrbanMind: Urban Dynamics Prediction with Multifaceted Spatial-Temporal Large Language Models [18.051209616917042]
  UrbanMind は多面的都市動態予測のための空間時空間 LLM フレームワークである。 UrbanMindのコアとなるMuffin-MAEは、特殊なマスキング戦略を備えた多面式フュージョンマスク自動エンコーダである。 複数の都市にまたがる実世界の都市データセットの実験は、UrbanMindが一貫して最先端のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-05-16T19:38:06Z)
• 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)
• LogiCity: Advancing Neuro-Symbolic AI with Abstract Urban Simulation [60.920536939067524]
  我々は,複数の動的エージェントを持つ都市型環境を対象とした,カスタマイズ可能な一階述語論理(FOL)に基づく最初のシミュレータであるLogiCityを紹介する。 LogiCityは、IsAmbulance(X)やIsClose(X, Y)のような意味的および空間的概念を用いた多様な都市要素をモデル化する LogiCityの重要な機能は、ユーザ設定可能な抽象化のサポートであり、論理的推論のためにカスタマイズ可能なシミュレーションの複雑さを可能にする。
  論文  参考訳（メタデータ） (2024-11-01T17:59:46Z)
• CityBench: Evaluating the Capabilities of Large Language Models for Urban Tasks [10.22654338686634]
  大規模言語モデル (LLMs) と視覚言語モデル (VLMs) は、実際の有効性と信頼性を確保するために欠かせないものとなっている。 都市研究のための体系的評価ベンチマークを構築する上での課題は、都市データの多様性にある。 本稿では,対話型シミュレータによる評価プラットフォームである textitCityBench を設計する。
  論文  参考訳（メタデータ） (2024-06-20T02:25:07Z)
• SocialGFs: Learning Social Gradient Fields for Multi-Agent Reinforcement Learning [58.84311336011451]
  マルチエージェント強化学習のための新しい勾配に基づく状態表現を提案する。 オフラインサンプルからソーシャルグラデーションフィールド(SocialGF)を学習するために,デノジングスコアマッチングを採用している。 実際に、SocialGFをMAPPOなど、広く使われているマルチエージェント強化学習アルゴリズムに統合する。
  論文  参考訳（メタデータ） (2024-05-03T04:12:19Z)
• HAZARD Challenge: Embodied Decision Making in Dynamically Changing Environments [93.94020724735199]
  HAZARDは、火災、洪水、風などの3つの予期せぬ災害シナリオで構成されている。 このベンチマークにより、さまざまなパイプラインで自律エージェントの意思決定能力を評価することができる。
  論文  参考訳（メタデータ） (2024-01-23T18:59:43Z)
• Evolutionary City: Towards a Flexible, Agile and Symbiotic System [27.41514907749535]
  都市の成長は、需要の変化に対応するのに苦労する堅固なインフラにつながることがある。 本稿では,このようなダイナミックな需要に都市がより効率的に対応できるよう,新しいアプローチを提案する。 高度なセンシング技術により、都市の適応性知覚を高めるための枠組みが提示される。 ケーススタディでは、車線割り当てを調整することで、このアプローチが交通の流れを最適化する方法について検討する。
  論文  参考訳（メタデータ） (2023-11-06T05:10:33Z)

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。