論文の概要: MobEvolve: An Agentic Self-Evolving Heuristic System for Interpretable Human Mobility Generation

• arxiv url: http://arxiv.org/abs/2606.01640v1
• Date: Mon, 01 Jun 2026 03:46:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.95598
• Title: MobEvolve: An Agentic Self-Evolving Heuristic System for Interpretable Human Mobility Generation
• Title（参考訳）: MobEvolve: 解釈可能な人力発電のためのエージェント型自己進化ヒューリスティックシステム
• Authors: Junlin He, Yihong Tang, Tong Nie, Ao Qu, Yuebing Liang, Hamzeh Alizadeh, Bang Liu, Wei Ma, Lijun Sun,
• Abstract要約: MobEvolveは、人間のモビリティ生成のための自己進化フレームワークである。 エージェントを使用して、内部ロジックを反復的に進化させる。 最先端の深層生成法とLLMベースの手法を著しく上回っている。
• 参考スコア（独自算出の注目度）: 51.824145170051516
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human mobility generation aims to synthesize realistic trip chains for target populations based on individual features. Existing paradigms, including deep generative models, LLM-based methods, and traditional heuristics, struggle to satisfy the complex demands of this task while simultaneously maintaining interpretability, behavioral plausibility, population-level distributional alignment, and inference efficiency. To bridge this gap, we introduce MobEvolve, the first agentic self-evolving heuristic framework for human mobility generation. MobEvolve initializes a behavior-inspired heuristic system and employs an LLM agent to iteratively evolve its internal logic. By diagnosing empirical misalignments and failure cases on a validation set, the agent proposes targeted updates and accumulates evolution memory for cumulative self-improvement. Extensive evaluations on the Singapore and Montreal benchmarks demonstrate that MobEvolve significantly outperforms state-of-the-art deep generative and LLM-based methods in individual trajectory fidelity, population-level distribution alignment, and behavioral plausibility, while preserving interpretability and high inference efficiency.
• Abstract（参考訳）: ヒトのモビリティ生成は、個々の特徴に基づいて、ターゲット人口のための現実的なトリップチェーンを合成することを目的としている。 深い生成モデル、LLMに基づく手法、伝統的なヒューリスティックスを含む既存のパラダイムは、解釈可能性、行動的妥当性、人口レベルの分布アライメント、推論効率を同時に維持しながら、このタスクの複雑な要求を満たすのに苦労している。 このギャップを埋めるために,人間移動生成のための最初のエージェント的自己進化ヒューリスティック・フレームワークであるMobEvolveを紹介した。 MobEvolveは振る舞いにインスパイアされたヒューリスティックなシステムを初期化し、LLMエージェントを使用して内部ロジックを反復的に進化させる。 検証セット上で経験的ミスアライメントと障害ケースを診断することにより、ターゲット更新を提案し、累積自己改善のための進化記憶を蓄積する。 シンガポールとモントリオールのベンチマークにおいて、MobEvolveは、解釈可能性と高い推論効率を保ちながら、個々の軌跡の忠実度、人口レベルの分布アライメント、行動的妥当性において、最先端の深部生成およびLLMベースの手法を著しく上回っていることを示す。

関連論文リスト

• Evolutionary Ensemble of Agents [7.465452178698495]
  EvEは、分散化されたフレームワークであり、アルゴリズム発見のためのライブで共進化するシステムにコーディングエージェントを編成する。 2つの共進化する人口を維持することで、EvEはエージェントを同期レースを通じて評価し、経験的Elo格付けを更新する。 固定初期エージェントや凍結した「ベスト進化」エージェントによって駆動される変種と比較して、EvEは位相ミスマッチを独自に回避する。
  論文  参考訳（メタデータ） (2026-05-09T15:56:10Z)
• Agent Alignment in Evolving Social Norms [65.45423591744434]
  本稿では,エージェント進化とアライメントのための進化的フレームワークであるEvolutionaryAgentを提案する。 社会規範が継続的に進化する環境では、エージェントは現在の社会規範に適応し、生存と増殖の確率が高くなる。 進化的エージェントは、一般的なタスクにおいてその能力を維持しながら、進化する社会規範と徐々に整合できることを示す。
  論文  参考訳（メタデータ） (2024-01-09T15:44:44Z)
• SELF: Self-Evolution with Language Feedback [68.6673019284853]
  SELF(Self-Evolution with Language Feedback)は、大規模言語モデルを進化させる新しいアプローチである。 LLMは、人間の学習プロセスと同様、自己回帰を通じて自己改善を可能にする。 数学および一般タスクにおける実験により,SELFは人間の介入なしにLLMの能力を高めることができることが示された。
  論文  参考訳（メタデータ） (2023-10-01T00:52:24Z)

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。