Fugu-MT 論文翻訳(概要): Evidence-Grounded Multi-Agent Planning Support for Urban Carbon Governance via RAG

論文の概要: Evidence-Grounded Multi-Agent Planning Support for Urban Carbon Governance via RAG

arxiv url: http://arxiv.org/abs/2601.11587v1
Date: Sat, 03 Jan 2026 05:46:31 GMT
ステータス: 情報取得中
システム内更新日: 2026-01-25 06:26:49.668911
Title: Evidence-Grounded Multi-Agent Planning Support for Urban Carbon Governance via RAG
Title（参考訳）: RAGによる都市炭素ガバナンスのためのマルチエージェント計画支援
Authors: Yuyan Huang, Haoran Li, Yifan Lu, Ruolin Wu, Siqian Chen, Chao Liu,
Abstract要約: 都市部における炭素ガバナンスでは、プランナーは異質な証拠を実行可能なクロスディパートメンタルプランに統合する必要がある。本稿では,標準テキストベースRetrieval-Augmented Generationに基づく都市炭素ガバナンスのためのエビデンスベースのマルチエージェントプランニング支援システムを提案する。
参考スコア（独自算出の注目度）: 9.97327871204928
License:
Abstract: Urban carbon governance requires planners to integrate heterogeneous evidence -- emission inventories, statistical yearbooks, policy texts, technical measures, and academic findings -- into actionable, cross-departmental plans. Large Language Models (LLMs) can assist planning workflows, yet their factual reliability and evidential traceability remain critical barriers in professional use. This paper presents an evidence-grounded multi-agent planning support system for urban carbon governance built upon standard text-based Retrieval-Augmented Generation (RAG) (without GraphRAG). We align the system with the typical planning workflow by decomposing tasks into four specialized agents: (i) evidence Q\&A for fact checking and compliance queries, (ii) emission status assessment for diagnostic analysis, (iii) planning recommendation for generating multi-sector governance pathways, and (iv) report integration for producing planning-style deliverables. We evaluate the system in two task families: factual retrieval and comprehensive planning generation. On factual retrieval tasks, introducing RAG increases the average score from below 6 to above 90, and dramatically improves key-field extraction (e.g., region and numeric values near 100\% detection). A real-city case study (Ningbo, China) demonstrates end-to-end report generation with strong relevance, coverage, and coherence in expert review, while also highlighting boundary inconsistencies across data sources as a practical limitation.
Abstract（参考訳）: 都市部における炭素ガバナンスは、エミッションの在庫、統計年鑑、政策文書、技術的措置、学術的な結果など、異質な証拠を実践可能な、部門横断的な計画に統合するプランナーを必要としている。大規模言語モデル(LLM)は、計画ワークフローを支援することができるが、実際の信頼性と明らかなトレーサビリティは、プロフェッショナルな使用において重要な障壁である。本稿では,標準テキストベースRetrieval-Augmented Generation (RAG)をベースとした都市炭素ガバナンスのためのエビデンスベースのマルチエージェント計画支援システムを提案する。タスクを4つの特殊エージェントに分解することで、システムと典型的な計画ワークフローを整合させる。 (i)事実確認及びコンプライアンスクエリに関する証拠Q\&A。二診断分析のための排出状況評価三マルチセクタ統治経路を作成するための計画勧告及び (四計画的成果物の生産のための報告の統合。) 本システムは,2つのタスクファミリー – 事実検索と包括的計画生成 – で評価する。実際の検索タスクでは、RAGの導入により平均スコアが6以下から90以上に増加し、キーフィールド抽出(例えば、領域および100倍近い数値)が劇的に向上する。実際の都市ケーススタディ(中国寧波市)は、専門家のレビューにおいて、強い関連性、カバレッジ、一貫性を持ったエンドツーエンドのレポート生成を実証すると同時に、データソース間の境界の不整合を実用的な制限として強調する。

関連論文リスト

DecoupleSearch: Decouple Planning and Search via Hierarchical Reward Modeling [56.45844907505722]
二重値モデルを用いて計画と探索プロセスを分離するフレームワークであるDecoupleSearchを提案する。提案手法は,各ノードが計画と探索のステップを表す推論木を構築する。推論中、階層的ビームサーチは、計画と探索候補を二重値モデルで反復的に洗練する。
論文参考訳（メタデータ） (2025-09-07T13:45:09Z)
HiRA: A Hierarchical Reasoning Framework for Decoupled Planning and Execution in Deep Search [85.12447821237045]
HiRAは、戦略的な計画と専門的な実行を分離する階層的なフレームワークである。提案手法では,複雑な探索タスクを集中サブタスクに分解し,各サブタスクを外部ツールと推論機能を備えたドメイン固有エージェントに割り当てる。 4つの複雑なクロスモーダルなディープ・サーチ・ベンチマークの実験により、HiRAは最先端のRAGとエージェント・ベース・システムを大きく上回っていることが示された。
論文参考訳（メタデータ） (2025-07-03T14:18:08Z)
CogPlanner: Unveiling the Potential of Agentic Multimodal Retrieval Augmented Generation with Planning [9.027579000292441]
Multimodal Retrieval Augmented Generation(MRAG)システムは、MLLM(Multimodal Large Language Model)の生成能力を高めることを約束している。既存のMRAGフレームワークは主に、情報取得とクエリ再構成の現実的な課題に対処できない厳格で単一ステップの検索戦略に準拠している。本稿では,計算オーバーヘッドを最小限に抑えつつ,効果的な情報探索と統合を目的としたMRAG計画(Multimodal Retrieval Augmented Generation Planning)の課題を紹介する。
論文参考訳（メタデータ） (2025-01-26T10:16:42Z)
Unlocking Reasoning Potential in Large Langauge Models by Scaling Code-form Planning [94.76546523689113]
CodePlanは、テキストコード形式の計画を生成し、追跡するフレームワークで、高いレベルの構造化された推論プロセスの概要を擬似コードで示します。 CodePlanは、洗練された推論タスク固有のリッチなセマンティクスと制御フローを効果的にキャプチャする。反応を直接生成するのに比べて25.1%の相対的な改善が達成されている。
論文参考訳（メタデータ） (2024-09-19T04:13:58Z)
Trustworthiness in Retrieval-Augmented Generation Systems: A Survey [59.26328612791924]
Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の開発において、急速に重要なパラダイムへと成長してきた。本稿では,RAGシステムの信頼性を,事実性,堅牢性,公正性,透明性,説明責任,プライバシの6つの面で評価する統一的な枠組みを提案する。
論文参考訳（メタデータ） (2024-09-16T09:06:44Z)
RAGEval: Scenario Specific RAG Evaluation Dataset Generation Framework [66.93260816493553]
本稿では,様々なシナリオにまたがってRAGシステムを評価するためのフレームワークであるRAGvalを紹介する。事実の正確性に焦点をあてて,完全性,幻覚,不適切性の3つの新しい指標を提案する。実験結果から, RAGEvalは, 生成した試料の明瞭度, 安全性, 適合性, 豊かさにおいて, ゼロショット法とワンショット法より優れていた。
論文参考訳（メタデータ） (2024-08-02T13:35:11Z)
LLM-SAP: Large Language Models Situational Awareness Based Planning [0.0]
我々は、潜在的なリスクを予測し、積極的に軽減する方法論を開発するために、マルチエージェント推論フレームワークを使用します。提案手法は,人間中心のインタラクションの複雑さを計画プロセスに組み込むことによって,従来のオートマトン理論から分岐する。
論文参考訳（メタデータ） (2023-12-26T17:19:09Z)

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。