論文の概要: Language-Grounded Multi-Agent Planning for Personalized and Fair Participatory Urban Sensing

• arxiv url: http://arxiv.org/abs/2603.24014v1
• Date: Wed, 25 Mar 2026 07:19:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.17928
• Title: Language-Grounded Multi-Agent Planning for Personalized and Fair Participatory Urban Sensing
• Title（参考訳）: パーソナライズ・フェア参加型都市センシングのための言語学習型マルチエージェントプランニング
• Authors: Xusen Guo, Mingxing Peng, Hongliang Lu, Hai Yang, Jun Ma, Yuxuan Liang,
• Abstract要約: 我々は,パーソナライズされた参加型都市センシングのためのマルチエージェントフレームワークMAPUSを提案する。 このフレームワークでは、参加者は個々のプロファイルとスケジュールを持つ自律エージェントとしてモデル化され、コーディネータエージェントは公正な選択を行う。 実世界のデータセットを用いた実験では、MAPUSは参加者の満足度と公正性を大幅に向上させながら、競争力のある知覚範囲を達成することが示された。
• 参考スコア（独自算出の注目度）: 30.447323644062795
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Participatory urban sensing leverages human mobility for large-scale urban data collection, yet existing methods typically rely on centralized optimization and assume homogeneous participants, resulting in rigid assignments that overlook personal preferences and heterogeneous urban contexts. We propose MAPUS, an LLM-based multi-agent framework for personalized and fair participatory urban sensing. In our framework, participants are modeled as autonomous agents with individual profiles and schedules, while a coordinator agent performs fairness-aware selection and refines sensing routes through language-based negotiation. Experiments on real-world datasets show that MAPUS achieves competitive sensing coverage while substantially improving participant satisfaction and fairness, promoting more human-centric and sustainable urban sensing systems.
• Abstract（参考訳）: 参加型都市センシングは、大規模な都市データ収集に人間のモビリティを活用するが、既存の手法は、中央集権的な最適化に頼り、均質な参加者を仮定する。 我々は,パーソナライズされた参加型都市センシングのためのマルチエージェントフレームワークMAPUSを提案する。 この枠組みでは、参加者は個々のプロファイルとスケジュールを持つ自律エージェントとしてモデル化され、コーディネータエージェントは公正な選択を行い、言語に基づく交渉を通じてセンシング経路を洗練する。 実世界のデータセットを用いた実験では、MAPUSは、より人間中心で持続可能な都市センシングシステムを促進するとともに、認識の満足度と公平性を大幅に向上する。

関連論文リスト

• UrbanMoE: A Sparse Multi-Modal Mixture-of-Experts Framework for Multi-Task Urban Region Profiling [47.568568425459716]
  我々は,マルチタスク都市域プロファイリングのベンチマークを開発し,マルチモーダルな特徴と強力なベースラインの多種多様なセットを特徴とする。 次に,マルチタスクの課題を解決するために構築された,最初のスパースなマルチモーダル・マルチエキスパートフレームワークであるUrbanMoEを提案する。 ベンチマークでは,UrbanMoEがすべてのベースラインに対して常に優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-01-30T09:25:05Z)
• AgentSense: LLMs Empower Generalizable and Explainable Web-Based Participatory Urban Sensing [31.732273940704843]
  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。
  論文  参考訳（メタデータ） (2025-10-22T15:06:26Z)
• 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)
• MetaUrban: An Embodied AI Simulation Platform for Urban Micromobility [52.0930915607703]
  最近のロボティクスとエンボディードAIの進歩により、公共の都市空間はもはや人間専用ではない。 公共の都市空間における短距離移動のためのAIによって実現されるマイクロモビリティは、将来の交通システムにおいて重要な要素である。 本稿では,AI駆動型都市マイクロモビリティ研究のための構成シミュレーションプラットフォームであるMetaUrbanを紹介する。
  論文  参考訳（メタデータ） (2024-07-11T17:56:49Z)
• Large language model empowered participatory urban planning [5.402147437950729]
  本研究では,大規模言語モデル(LLM)を参加型プロセスに統合した革新的な都市計画手法を提案する。 このフレームワークは、LLMエージェントをベースとして、役割プレイ、共同生成、フィードバックで構成され、コミュニティレベルの土地利用タスクを1000の異なる関心事に対応させて解決する。
  論文  参考訳（メタデータ） (2024-01-24T10:50:01Z)
• AI Agent as Urban Planner: Steering Stakeholder Dynamics in Urban Planning via Consensus-based Multi-Agent Reinforcement Learning [8.363841553742912]
  本稿では,コンセンサスを基盤としたマルチエージェント強化学習フレームワークについて紹介する。 この枠組みは参加型都市計画に役立ち、多様な知的エージェントを利害関係者の代表として好まれる土地利用形態に投票することができる。 マルチエージェント強化学習を統合することで、参加型都市計画決定がよりダイナミックで、コミュニティのニーズに適応することを保証する。
  論文  参考訳（メタデータ） (2023-10-25T17:04:11Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)

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。