論文の概要: iTIMO: An LLM-empowered Synthesis Dataset for Travel Itinerary Modification

• arxiv url: http://arxiv.org/abs/2601.10609v2
• Date: Thu, 22 Jan 2026 05:23:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-23 13:30:18.30088
• Title: iTIMO: An LLM-empowered Synthesis Dataset for Travel Itinerary Modification
• Title（参考訳）: iTIMO:旅程変更のためのLCMを利用した合成データセット
• Authors: Zhuoxuan Huang, Yunshan Ma, Hongyu Zhang, Hua Ma, Zhu Sun,
• Abstract要約: iTIMOは、インテント駆動の摂動タスクとして、反復データの生成をフレーム化するパイプラインである。 大規模な言語モデルに対して,REPLACE, ADD, DELETEという3つの操作を使用して,現実世界のイテレーションを乱すように指示する。 全体として、iTIMOは修正作業のための包括的なテストベッドを提供し、従来の旅行推薦システムの進化を促進する。
• 参考スコア（独自算出の注目度）: 20.2135943012742
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Addressing itinerary modification is crucial for enhancing the travel experience as it is a frequent requirement during traveling. However, existing research mainly focuses on fixed itinerary planning, leaving modification underexplored due to the scarcity of need-to-modify itinerary data. To bridge this gap, we formally define the itinerary modification task and propose a general pipeline to construct the corresponding dataset, namely iTIMO. This pipeline frames the generation of need-to-modify itinerary data as an intent-driven perturbation task. It instructs large language models to perturb real-world itineraries using three operations: REPLACE, ADD, and DELETE. Each perturbation is grounded in three intents: disruptions of popularity, spatial distance, and category diversity. Furthermore, hybrid evaluation metrics are introduced to ensure perturbation effectiveness. We conduct comprehensive benchmarking on iTIMO to analyze the capabilities and limitations of state-of-the-art LLMs. Overall, iTIMO provides a comprehensive testbed for the modification task, and empowers the evolution of traditional travel recommender systems into adaptive frameworks capable of handling dynamic travel needs. Dataset, code and supplementary materials are available at https://github.com/zelo2/iTIMO.
• Abstract（参考訳）: 旅行時の頻繁な要件であるため、旅行体験を向上させるためには、反復的な修正に対処することが不可欠である。 しかし、既存の研究は主に固定反復計画に焦点が当てられており、修正不要反復データの不足により、未探索の修正が残されている。 このギャップを埋めるために、我々は正式に反復修正タスクを定義し、対応するデータセット、すなわちiTIMOを構築するための一般的なパイプラインを提案する。 このパイプラインは、インテント駆動の摂動タスクとして、変更する必要のある反復データを生成する。 大規模な言語モデルに対して,REPLACE, ADD, DELETEという3つの操作を使用して,現実世界のイテレーションを乱すように指示する。 それぞれの摂動は、人気の混乱、空間距離、およびカテゴリーの多様性の3つの意図に根ざしている。 さらに、摂動効果を確保するためにハイブリッド評価指標を導入している。 我々はiTIMOの総合的なベンチマークを行い、最先端のLLMの能力と限界を分析する。 全体として、iTIMOは、修正作業のための包括的なテストベッドを提供し、動的な旅行ニーズを処理できる適応フレームワークへの従来の旅行レコメンデータシステムの進化を促進する。 データセット、コード、補足資料はhttps://github.com/zelo2/iTIMO.comで入手できる。

関連論文リスト

• TripTide: A Benchmark for Adaptive Travel Planning under Disruptions [8.592189274445149]
  TripTideは、大規模言語モデルの現実的な破壊の下での修正能力を評価する最初のベンチマークである。 実験の結果,LLMは連続的な一貫性とセマンティック安定性を維持し,空間偏差は短い旅行では大きいが,長い旅行では小さくなることがわかった。 TripTideは、LLMベースの旅行計画における適応性、パーソナライゼーション、レジリエンスを評価するためのベンチマークを確立している。
  論文  参考訳（メタデータ） (2025-10-24T10:39:55Z)
• Continual Learning for VLMs: A Survey and Taxonomy Beyond Forgetting [70.83781268763215]
  視覚言語モデル(VLM)は、大規模事前学習を活用することで、多様なマルチモーダルタスクにおいて優れたパフォーマンスを実現している。 VLMは、クロスモーダル機能ドリフト、共有アーキテクチャによるパラメータ干渉、ゼロショット機能侵食など、ユニークな課題に直面している。 本調査は、生涯の視覚言語システムを開発する研究者にとって、包括的かつ診断的な基準となることを目的としている。
  論文  参考訳（メタデータ） (2025-08-06T09:03:10Z)
• TripTailor: A Real-World Benchmark for Personalized Travel Planning [28.965273870656446]
  TripTailorは、現実世界のシナリオでパーソナライズされた旅行計画のためのベンチマークである。 このデータセットには、50,000以上の現実世界の関心点(POI)と4000近い多様な旅行イテナリーが含まれている。 旅行計画において、実現可能性、合理性、パーソナライズされたカスタマイズなど、いくつかの重要な課題を特定します。
  論文  参考訳（メタデータ） (2025-08-02T16:44:02Z)
• TripCraft: A Benchmark for Spatio-Temporally Fine Grained Travel Planning [7.841787597078323]
  TripCraft は LLM によるパーソナライズされた旅行計画のための,新たなベンチマークを確立している。 パラメータ情報設定は食事スケジューリングを著しく向上させ、7日間のシナリオでは時間的食事スコアが61%から80%に向上する。
  論文  参考訳（メタデータ） (2025-02-27T20:33:28Z)
• ME-CPT: Multi-Task Enhanced Cross-Temporal Point Transformer for Urban 3D Change Detection [10.15947374827254]
  多時間ALS点雲を利用することで、都市部の意味的変化を捉えることができる。 既存の3D変化検出手法では,マルチクラスの意味情報や変化特徴を効率的に抽出することが困難である。 本稿では,Multi-task Enhanced Cross-temporal Point Transformer (ME-CPT) ネットワークを提案する。
  論文  参考訳（メタデータ） (2025-01-23T13:07:41Z)
• DeTra: A Unified Model for Object Detection and Trajectory Forecasting [68.85128937305697]
  提案手法は,2つのタスクの結合を軌道修正問題として定式化する。 この統合タスクに対処するために、オブジェクトの存在, ポーズ, マルチモーダルな将来の振る舞いを推測する精細化変換器を設計する。 実験では、我々のモデルはArgoverse 2 Sensor and Openデータセットの最先端性よりも優れています。
  論文  参考訳（メタデータ） (2024-06-06T18:12:04Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Temporal Action Localization with Enhanced Instant Discriminability [66.76095239972094]
  時間的行動検出(TAD)は、すべての行動境界とその対応するカテゴリを、トリミングされていないビデオで検出することを目的としている。 本稿では,既存の手法による動作境界の不正確な予測を解決するために,TriDetという一段階のフレームワークを提案する。 実験結果から,複数のTADデータセット上でのTriDetの堅牢性と最先端性能が示された。
  論文  参考訳（メタデータ） (2023-09-11T16:17:50Z)
• Implicit and Efficient Point Cloud Completion for 3D Single Object Tracking [9.372859423951349]
  適応リファイン予測(ARP)とターゲット知識伝達(TKT)の2つの新しいモジュールを紹介する。 本モデルでは,より少ない計算量を維持しながら,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-09-01T15:11:06Z)
• Lifelong Unsupervised Domain Adaptive Person Re-identification with Coordinated Anti-forgetting and Adaptation [127.6168183074427]
  本稿では,LUDA (Lifelong Unsupervised Domain Adaptive) という新たなタスクを提案する。 これは、モデルがターゲット環境のラベル付けされていないデータに継続的に適応する必要があるため、難しい。 我々は、CLUDA-ReIDと呼ばれるこのタスクのための効果的なスキームを設計し、そこでは、アンチフォージェッティングが適応と調和して調整される。
  論文  参考訳（メタデータ） (2021-12-13T13:19:45Z)

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。