論文の概要: ARMove: Learning to Predict Human Mobility through Agentic Reasoning

• arxiv url: http://arxiv.org/abs/2604.17419v1
• Date: Sun, 19 Apr 2026 12:59:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.516844
• Title: ARMove: Learning to Predict Human Mobility through Agentic Reasoning
• Title（参考訳）: ARMove:エージェント推論によるヒューマンモビリティ予測の学習
• Authors: Chuyue Wang, Jie Feng, Yuxi Wu, Shenglin Yi, Hang Zhang,
• Abstract要約: textbfARMoveは,人体移動をエージェント的推論によって予測する,完全に伝達可能なフレームワークである。 ARMoveは、反復最適化とユーザ固有のカスタマイズを備えた標準化された機能管理を採用している。 4つのグローバルデータセットに対する大規模な実験は、ARMoveが最先端のベースラインを上回っていることを示している。
• 参考スコア（独自算出の注目度）: 5.908177924130921
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human mobility prediction is a critical task but remains challenging due to its complexity and variability across populations and regions. Recently, large language models (LLMs) have made progress in zero-shot prediction, but existing methods suffer from limited interpretability (due to black-box reasoning), lack of iterative learning from new data, and poor transferability. In this paper, we introduce \textbf{ARMove}, a fully transferable framework for predicting human mobility through agentic reasoning. To address these limitations, ARMove employs standardized feature management with iterative optimization and user-specific customization: four major feature pools for foundational knowledge, user profiles for segmentation, and an automated generation mechanism integrating LLM knowledge. Robust generalization is achieved via agentic decision-making that adjusts feature weights to maximize accuracy while providing interpretable decision paths. Finally, large-small model synergy distills strategies from large LLMs (e.g., 72B) to smaller ones (e.g., 7B), reducing costs and enhancing performance ceilings. Extensive experiments on four global datasets show ARMove outperforms state-of-the-art baselines on 6 out of 12 metrics (gains of 0.78\% to 10.47\%), with transferability tests confirming robustness across regions, users, and scales. The other 4 items also achieved suboptimal results. Transferability tests confirm its 19 robustness across regions, user groups, and model scales, while interpretability 20 analysis highlights its transparency in decision-making. Our codes are available at: https://anonymous.4open.science/r/ARMove-F847.
• Abstract（参考訳）: 人間の移動性予測は重要な課題であるが、人口や地域間での複雑さと変動性のために依然として困難である。 近年,大規模言語モデル (LLM) はゼロショット予測の進歩を遂げているが,既存の手法では(ブラックボックス推論による)解釈可能性の制限や,新しいデータからの反復学習の欠如,転送可能性の低下に悩まされている。 本稿では,人体移動をエージェント的推論によって予測する,完全に伝達可能なフレームワークである‘textbf{ARMove} を紹介する。 これらの制限に対処するため、ARMoveでは、基本的な知識のための4つの主要な機能プール、セグメンテーションのためのユーザープロファイル、LLM知識を統合する自動生成機構という、反復最適化とユーザ固有のカスタマイズを備えた標準化された機能管理を採用している。 ロバストな一般化は、解釈可能な決定経路を提供しながら、特徴量を調整するエージェント的決定によって達成される。 最後に, 大型LLM (eg , 72B) から小型 (eg , 7B) へ, 低コスト化, 性能天井化を図った。 4つのグローバルデータセットに対する大規模な実験によると、ARMoveは12のメトリクスのうち6つ(0.78\%から10.47\%)で最先端のベースラインを上回り、転送可能性テストはリージョン、ユーザ、スケール間で堅牢性を確認する。 その他の4項目も準最適結果を得た。 トランスファービリティテストは、リージョン、ユーザグループ、モデルスケールにわたる19の堅牢性を確認し、解釈可能性20の分析は、意思決定における透明性を強調している。 私たちのコードは、https://anonymous.4open.science/r/ARMove-F847で利用可能です。

関連論文リスト

• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• A Vision-and-Knowledge Enhanced Large Language Model for Generalizable Pedestrian Crossing Behavior Inference [4.671159161186945]
  本研究は歩行者横断推論のための視覚・知識強化フレームワークである歩行者横断LLM(PedX-LLM)を紹介する。 PedX-LLMは、歩行者横断推論をサイト固有のパターン認識から一般化可能な行動推論に変換する。 PedX-LLMは82.0%のバランスの取れた精度を達成する。
  論文  参考訳（メタデータ） (2026-01-02T14:13:28Z)
• PublicAgent: Multi-Agent Design Principles From an LLM-Based Open Data Analysis Framework [5.863391019411233]
  大規模言語モデルは個々のタスクを約束するが、エンドツーエンドの分析は基本的な制限を露呈する。 PublicAgentは、意図の明確化、データセット発見、分析、レポートのための特殊なエージェントへの分解を通じて、これらの制限に対処するマルチエージェントフレームワークである。
  論文  参考訳（メタデータ） (2025-11-04T21:48:11Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• When Punctuation Matters: A Large-Scale Comparison of Prompt Robustness Methods for LLMs [55.20230501807337]
  本報告では, 統一実験フレームワーク内での迅速なロバスト性向上のための5つの手法の体系的評価を行う。 Llama、Qwen、Gemmaファミリーの8つのモデルに対して、Natural Instructionsデータセットから52のタスクをベンチマークする。
  論文  参考訳（メタデータ） (2025-08-15T10:32:50Z)
• AgentMove: A Large Language Model based Agentic Framework for Zero-shot Next Location Prediction [7.007450097312181]
  本稿では,汎用的な次の位置予測を実現するためのエージェント予測フレームワークであるAgentMoveを紹介する。 AgentMoveでは、まず移動予測タスクを分解し、個々の移動パターンマイニングのための時空間記憶を含む特定のモジュールを設計する。 2つの異なる情報源によるモビリティデータを用いた実験により、AgentMoveは12の指標のうち8つの指標のうち3.33%から8.57%を突破した。
  論文  参考訳（メタデータ） (2024-08-26T02:36:55Z)
• Large Language Models are Zero-Shot Next Location Predictors [4.315451628809687]
  大規模言語モデル(LLM)は、優れた一般化と推論能力を示している。 LLMは最大36.2%の精度を得ることができ、人間の移動性に特化して設計された他のモデルに比べて640%近く改善されている。
  論文  参考訳（メタデータ） (2024-05-31T16:07:33Z)
• Scaling Data Generation in Vision-and-Language Navigation [116.95534559103788]
  本稿では,学習のための大規模データ生成に有効なパラダイムを提案する。 我々は、HM3DとGibsonのデータセットから1200以上のフォトリアリスティック環境を適用し、490万の命令軌道対を合成する。 我々の大規模データセットのおかげで、既存のエージェントの性能は(以前のSoTAでは+11%絶対)、単純な模倣学習によってR2Rテストの分割で80%の単ラン成功率で大幅に向上できる。
  論文  参考訳（メタデータ） (2023-07-28T16:03:28Z)

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。