論文の概要: Interpretable Markov-Based Spatiotemporal Risk Surfaces for Missing-Child Search Planning with Reinforcement Learning and LLM-Based Quality Assurance

• arxiv url: http://arxiv.org/abs/2603.08933v1
• Date: Mon, 09 Mar 2026 21:08:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:23.829094
• Title: Interpretable Markov-Based Spatiotemporal Risk Surfaces for Missing-Child Search Planning with Reinforcement Learning and LLM-Based Quality Assurance
• Title（参考訳）: 強化学習とLLMに基づく品質保証を用いた行方不明児探索計画のためのマルコフ型時空間リスク面の解釈
• Authors: Joshua Castillo, Ravi Mukkamala,
• Abstract要約: 行方不明児の調査の最初の72時間は、回復に不可欠である。 法執行機関は、しばしば、構造化されていないデータと、動的で地理空間的な予測ツールの欠如に直面します。 われわれのシステムであるGuardianは、行方不明児の調査と早期検索計画のためのエンドツーエンドの意思決定支援システムを提供する。
• 参考スコア（独自算出の注目度）: 0.7734726150561088
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The first 72 hours of a missing-child investigation are critical for successful recovery. However, law enforcement agencies often face fragmented, unstructured data and a lack of dynamic, geospatial predictive tools. Our system, Guardian, provides an end-to-end decision-support system for missing-child investigation and early search planning. It converts heterogeneous, unstructured case documents into a schema-aligned spatiotemporal representation, enriches cases with geocoding and transportation context, and provides probabilistic search products spanning 0-72 hours. In this paper, we present an overview of Guardian as well as a detailed description of a three-layer predictive component of the system. The first layer is a Markov chain, a sparse, interpretable model with transitions incorporating road accessibility costs, seclusion preferences, and corridor bias with separate day/night parameterizations. The Markov chain's output prediction distributions are then transformed into operationally useful search plans by the second layer's reinforcement learning. Finally, the third layer's LLM performs post hoc validation of layer 2 search plans prior to their release. Using a synthetic but realistic case study, we report quantitative outputs across 24/48/72-hour horizons and analyze sensitivity, failure modes, and tradeoffs. Results show that the proposed predictive system with the three-layer architecture produces interpretable priors for zone optimization and human review.
• Abstract（参考訳）: 行方不明児の調査の最初の72時間は、回復に不可欠である。 しかし、法執行機関はしばしば断片化され、構造化されていないデータと、動的で地理空間的な予測ツールの欠如に直面している。 われわれのシステムであるGuardianは、行方不明児の調査と早期検索計画のためのエンドツーエンドの意思決定支援システムを提供する。 不均一で非構造化のケース文書をスキーマ整合時空間表現に変換し、ジオコーディングと輸送コンテキストでケースを豊かにし、0-72時間にわたる確率的検索製品を提供する。 本稿では,Guardianの概要と,システムの3層予測コンポーネントの詳細な説明を紹介する。 第1の層はマルコフ連鎖であり、道路アクセシビリティコスト、隔離選好、回廊偏差と昼夜のパラメータ化を含む遷移を伴うスパースで解釈可能なモデルである。 マルコフ連鎖の出力予測分布は、第二層の強化学習によって運用上有用な探索計画に変換される。 最後に、第3層のLCMは、リリース前に第2層の探索計画のポストホック検証を行う。 総合的だが現実的なケーススタディを用いて,24/48/72時間水平線における定量的なアウトプットを報告し,感度,障害モード,トレードオフを分析した。 その結果,提案した3層アーキテクチャによる予測システムは,ゾーン最適化や人間によるレビューにおいて,解釈可能な事前情報を生成することがわかった。

関連論文リスト

• A Leakage-Aware Data Layer For Student Analytics: The Capire Framework For Multilevel Trajectory Modeling [0.0]
  本稿では,学生軌跡分析のための漏洩認識データ層を提案する。 N1(個人的・社会経済的属性)、N2(エントリーモーメントと学術的歴史)、N3(曲的摩擦と性能)、N4(制度的・マクロコンテキスト変数)の4つのレベルに予測者を編成する特徴工学設計を提案する。 長期サイクルエンジニアリングプログラム(学生1,343人、57%のドロップアウト)における実証的な応用は、VOT制限されたマルチレベル特徴が堅牢な考古学的発見をサポートすることを示している。
  論文  参考訳（メタデータ） (2025-11-14T20:52:22Z)
• Test-time Verification via Optimal Transport: Coverage, ROC, & Sub-optimality [53.03186946689658]
  検証によるテストタイムのスケーリングは、大規模言語モデルのパフォーマンス向上を約束している。 検証の効果は、(i)ジェネレータのカバレッジ、(ii)検証器の収束領域(ROC)、(iii)サンプリングアルゴリズムの準最適性の3つの相互作用を通して現れる。 本稿では,輸送問題として検証可能なテストタイムスケーリングの枠組みを定め,カバレッジ,ROC,サブ最適性の相互作用を特徴付ける。
  論文  参考訳（メタデータ） (2025-10-21T18:05:42Z)
• Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
  LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。 既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。 我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
  論文  参考訳（メタデータ） (2025-10-10T18:42:32Z)
• InteGround: On the Evaluation of Verification and Retrieval Planning in Integrative Grounding [51.80327078402434]
  仮説クエリをサポートするために、複数の独立したエビデンスを検索し、検証するという課題である。 まず,LLMは冗長な証拠に対して頑健であるのに対して,情報の不完全な場合,内部知識を合理的に活用する傾向にある。 ノイズ導入による非方向性計画が性能を低下させるのに対して, 前提推論は論理的制約のため, 有望なアプローチとして現れる。
  論文  参考訳（メタデータ） (2025-09-20T04:48:24Z)
• A layered architecture for log analysis in complex IT systems [0.21756081703276]
  この論文では、DevOpsの障害解決をサポートする3層アーキテクチャが紹介されている。 最初のレイヤであるLog Investigationは、自律的なログラベリングと異常分類を実行する。 第2のレイヤであるAnomaly Detectionは、標準から逸脱した振る舞いを検出する。 第3のレイヤであるRoot Cause Analysisは、障害、その起源、イベントシーケンスを記述する最小限のログセットを識別する。
  論文  参考訳（メタデータ） (2025-08-29T11:28:21Z)
• Next-Generation Conflict Forecasting: Unleashing Predictive Patterns through Spatiotemporal Learning [0.0]
  本研究では、3つの異なるタイプの暴力を事前に36ヶ月予測するためのニューラルネットワークアーキテクチャを提案する。 このモデルは確率的分類と回帰タスクを共同で実行し、将来の事象の予測と予測等級を生成する。 警告システム、人道的対応計画、証拠に基づく平和構築イニシアチブのための有望なツールである。
  論文  参考訳（メタデータ） (2025-06-08T20:42:29Z)
• Adaptive Location Hierarchy Learning for Long-Tailed Mobility Prediction [37.930452438916795]
  本研究では,長期移動予測のためのプラグイン・アンド・プレイ・フレームワークを提案する。 まず, 大規模言語モデル(LLM)に基づく都市に適した位置階層を構築し, マスローの人間モチベーション理論を活用する。 6つのデータセットにわたる最先端モデルの実験は、フレームワークの一貫性のある有効性と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-05-26T13:26:35Z)
• X2-DFD: A framework for eXplainable and eXtendable Deepfake Detection [55.77552681618732]
  X2-DFDは、eXplainableおよびeXtendableフレームワークであり、ディープフェイク検出のためのマルチモーダルな多言語モデル(MLLM)に基づいている。 最初の段階であるモデル特徴評価は、MLLMの偽造関係の特徴の検出可能性を体系的に評価する。 2番目のステージであるExplainable dataset Constructionは、Strong Feature StrengtheningとWeak Feature Supplementingの2つの重要なモジュールで構成されている。 3番目のステージであるファインチューニングと推論では、構築されたデータセット上でMLLMを微調整し、最終的な検出と説明のためにデプロイする。
  論文  参考訳（メタデータ） (2024-10-08T15:28:33Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Two-Stage Hierarchical and Explainable Feature Selection Framework for Dimensionality Reduction in Sleep Staging [0.6216545676226375]
  脳波は睡眠研究において重要な役割を果たす。 脳波信号データシーケンスの高次元特性のため、異なる睡眠段階のデータの可視化とクラスタリングが課題となっている。 本稿では,特徴選択アルゴリズムを取り入れた2段階の階層的かつ説明可能な特徴選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-31T23:54:53Z)

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。