論文の概要: MMUEChange: A Generalized LLM Agent Framework for Intelligent Multi-Modal Urban Environment Change Analysis

• arxiv url: http://arxiv.org/abs/2601.05483v1
• Date: Fri, 09 Jan 2026 02:34:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-12 17:41:49.818306
• Title: MMUEChange: A Generalized LLM Agent Framework for Intelligent Multi-Modal Urban Environment Change Analysis
• Title（参考訳）: MMUEChange: インテリジェントマルチモーダル都市環境変化解析のための汎用LLMエージェントフレームワーク
• Authors: Zixuan Xiao, Jun Ma, Siwei Zhang,
• Abstract要約: MMUEChangeは異種都市データを柔軟に統合するマルチモーダルエージェントフレームワークである。 ケーススタディには、ニューヨークの小さなコミュニティ中心の公園へのシフトや、香港の地区に集中した水質汚染の広がりが含まれる。
• 参考スコア（独自算出の注目度）: 7.396133065771444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding urban environment change is essential for sustainable development. However, current approaches, particularly remote sensing change detection, often rely on rigid, single-modal analysis. To overcome these limitations, we propose MMUEChange, a multi-modal agent framework that flexibly integrates heterogeneous urban data via a modular toolkit and a core module, Modality Controller for cross- and intra-modal alignment, enabling robust analysis of complex urban change scenarios. Case studies include: a shift toward small, community-focused parks in New York, reflecting local green space efforts; the spread of concentrated water pollution across districts in Hong Kong, pointing to coordinated water management; and a notable decline in open dumpsites in Shenzhen, with contrasting links between nighttime economic activity and waste types, indicating differing urban pressures behind domestic and construction waste. Compared to the best-performing baseline, the MMUEChange agent achieves a 46.7% improvement in task success rate and effectively mitigates hallucination, demonstrating its capacity to support complex urban change analysis tasks with real-world policy implications.
• Abstract（参考訳）: 持続可能な開発には都市環境の変化を理解することが不可欠である。 しかし、現在のアプローチ、特にリモートセンシングによる変化検出は、厳密な単一モーダル分析に依存していることが多い。 これらの制約を克服するために,モジュールツールキットとコアモジュールを介して異種都市データを柔軟に統合するマルチモーダルエージェントフレームワークMMUEChange,クロスモーダルおよびイントラモーダルアライメントのためのModality Controllerを提案する。 事例研究は、ニューヨークの小さな地域中心の公園へのシフト、地域緑地への取り組みの反映、香港の地域全体に集中した水質汚染の拡散、深センのオープン・ダンプサイト(英語版)の顕著な減少、夜間の経済活動と廃棄物の種類との対比、国内および建設廃棄物の背後にある都市圧力の相違、などである。 MMUEChangeは,タスク成功率を46.7%向上し,幻覚を効果的に緩和し,複雑な都市変化分析タスクを現実の政策に含める能力を示した。

関連論文リスト

• Urban-R1: Reinforced MLLMs Mitigate Geospatial Biases for Urban General Intelligence [64.36291202666212]
  アーバン・ジェネラル・インテリジェンス(UGI)とは、複雑な都市環境を理解し、推論できるAIシステムである。 近年, LLM と MLLM の教師付き微調整 (SFT) を用いた都市基盤モデルの構築が進められている。 MLLMをUGIの目的と整合させる強化学習に基づくポストトレーニングフレームワークであるUrban-R1を提案する。
  論文  参考訳（メタデータ） (2025-10-18T15:59:09Z)
• Entropy-Constrained Strategy Optimization in Urban Floods: A Multi-Agent Framework with LLM and Knowledge Graph Integration [0.7424725048947504]
  都市部での降雨は緊急時スケジューリングシステムに重大な課題をもたらす。 H-Jは、知識誘導的プロンプト、エントロピー制約生成、フィードバック駆動最適化を統合する階層的なマルチエージェントフレームワークである。 実験の結果,H-Jは交通のスムーズさ,タスク成功率,システムの堅牢性において,ルールベースおよび強化学習ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-08-20T12:13:03Z)
• Deep Reinforcement Learning for Urban Air Quality Management: Multi-Objective Optimization of Pollution Mitigation Booth Placement in Metropolitan Environments [0.0]
  都市大気汚染は、特にデリーのような人口密度が高く交通量の多い地域では、世界規模で懸念されている。 本研究では, 空気浄化ブースの設置を最適化するための新しい深層強化学習フレームワークを提案する。 我々は、最先端の強化学習アルゴリズムであるPPO(Proximal Policy Optimization)を反復的に学習し、高い影響のある場所を特定します。
  論文  参考訳（メタデータ） (2025-05-01T17:19:48Z)
• 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)
• Leveraging Large Language Models (LLMs) for Traffic Management at Urban Intersections: The Case of Mixed Traffic Scenarios [5.233512464561313]
  本研究では,都市交差点における交通管理を改善するため,大規模言語モデル(LLM)の能力について検討する。 我々はGPT-4o-miniを雇い、リアルタイムで交差点の紛争を分析し、予測し、検出し、解決した。 その結果, GPT-4o-miniは交通量, 混雑量, 混合速度条件の衝突を効果的に検出し, 解決することができた。
  論文  参考訳（メタデータ） (2024-08-01T23:06:06Z)
• 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)
• Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for Cross-City Semantic Segmentation using High-Resolution Domain Adaptation Networks [82.82866901799565]
  我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。 単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。 高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
  論文  参考訳（メタデータ） (2023-09-26T23:55:39Z)
• An Experimental Urban Case Study with Various Data Sources and a Model for Traffic Estimation [65.28133251370055]
  我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。 我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。 本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T08:13:57Z)
• Dealing with Non-Stationarity in Multi-Agent Reinforcement Learning via Trust Region Decomposition [52.06086375833474]
  非定常性は多エージェント強化学習における厄介な問題である。 ポリシーシーケンスの定常性を明示的にモデル化するための$delta$-stationarity測定を導入する。 共同政策の分岐を推定するために,メッセージパッシングに基づく信頼領域分解ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-02-21T14:46:50Z)
• MetaVIM: Meta Variationally Intrinsic Motivated Reinforcement Learning for Decentralized Traffic Signal Control [54.162449208797334]
  交通信号制御は、交差点を横断する交通信号を調整し、地域や都市の交通効率を向上させることを目的としている。 近年,交通信号制御に深部強化学習(RL)を適用し,各信号がエージェントとみなされる有望な性能を示した。 本稿では,近隣情報を考慮した各交差点の分散化政策を潜時的に学習するメタ変動固有モチベーション(MetaVIM)RL法を提案する。
  論文  参考訳（メタデータ） (2021-01-04T03:06:08Z)
• Multiple abrupt phase transitions in urban transport congestion [0.0]
  本研究は,都市部における混雑開始位置が都市部によって変化することを示す。 アーボリアル周辺に連結した密集都市中心からなる平面道路網モデルについて紹介する。
  論文  参考訳（メタデータ） (2020-05-26T17:58:44Z)

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。