Fugu-MT 論文翻訳(概要): UrbanWell: Benchmarking Multimodal Large Language Models for Spatio-Temporal Urban Wellbeing Analytics

論文の概要: UrbanWell: Benchmarking Multimodal Large Language Models for Spatio-Temporal Urban Wellbeing Analytics

arxiv url: http://arxiv.org/abs/2606.15890v1
Date: Sun, 14 Jun 2026 16:19:21 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-16 18:36:04.922718
Title: UrbanWell: Benchmarking Multimodal Large Language Models for Spatio-Temporal Urban Wellbeing Analytics
Title（参考訳）: UrbanWell:時空間都市福祉分析のためのマルチモーダル大言語モデルのベンチマーク
Abstract要約: UrbanWellは、都市福祉分析のためのマルチモーダル言語(MLLM)の機能を評価するために設計されたベンチマークである。我々は、ゼロショット設定で15の代表MLLMをベンチマークし、空間次元と時間次元を比較評価する。 UrbanWellは、都市福祉分析におけるマルチモーダルおよび時間的推論を評価するための統一的なベンチマークとして機能する。
参考スコア（独自算出の注目度）: 18.634608060111713
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Understanding urban wellbeing from multimodal data requires integrating heterogeneous spatial and temporal signals, posing significant challenges for current multimodal large language models (MLLMs). We introduce UrbanWell, a large-scale benchmark designed to systematically evaluate the spatio-temporal reasoning capabilities of MLLMs for urban wellbeing analytics through joint modeling of satellite and street view imagery. UrbanWell spans 38 cities across multiple years and includes diverse indicators covering (1) environmental conditions (CO$_2$, NO$_2$, PM${2.5}$, and Normalized Difference Vegetation Index), (2) spatial accessibility (minimum distance to supermarkets and restaurants), (3) urban form (road length, road density, and land use), (4) urban vitality (population, economic activity diversity, and land use diversity), and (5) subjective perception attributes (e.g., safety, beauty, liveliness, wealth, and quietness). All indicators are aligned at grid level to enable standardized evaluation. Beyond static prediction, UrbanWell defines temporal reasoning tasks, including future value forecasting from historical observations and temporal trend classification. We benchmark 15 state-of-the-art representative MLLMs in a zero-shot setting, providing a comprehensive comparative evaluation across spatial and temporal dimensions. Experimental results indicate that while MLLMs capture salient spatial and perceptual cues, their performance varies substantially across heterogeneous urban indicators spanning environment and subjective perception. UrbanWell serves as a unified benchmark for evaluating multimodal spatial and temporal reasoning in urban wellbeing analytics, offering a standardized testbed for systematic assessment and future research on multimodal urban intelligence. Our codes and datasets are accessible via https://github.com/axin1301/UrbanWell-Benchmark.
Abstract（参考訳）: 多モーダルデータから都市ウェルビーイングを理解するには、異種空間信号と時間信号を統合する必要があり、現在の多モーダル大言語モデル(MLLM)にとって重要な課題となっている。本稿では,衛星画像とストリートビュー画像の連成モデリングにより,MLLMの時空間推論能力を定量的に評価する大規模ベンチマークであるUrbanWellを紹介する。都市Wellは、環境条件(CO$_2$, NO$_2$, PM${2.5}$, and Normalized Difference Vegetation Index)、空間アクセシビリティ(スーパーマーケットやレストランへの最小距離)、都市形態(道路長、道路密度、土地利用)、(4)都市活力(人口、経済活動の多様性、土地利用の多様性)、(5)主観的知覚特性(安全、美容、生活性、富、静かさ)をカバーする多様な指標を含む。すべての指標は、標準化された評価を可能にするためにグリッドレベルで整列される。静的予測以外にも、UrbanWellは時間的推論タスクを定義している。我々は、ゼロショット設定で15の最先端の代表MLLMをベンチマークし、空間次元と時間次元の総合的な比較評価を提供する。実験の結果,MLLMは空間的および知覚的手がかりを捉えるが,その性能は環境と主観的知覚にまたがる異質な都市指標によって大きく異なることがわかった。 UrbanWellは、都市福祉分析におけるマルチモーダルな空間的および時間的推論を評価するための統一的なベンチマークとして機能し、システマティックな評価のための標準化されたテストベッドと、将来のマルチモーダルな都市インテリジェンスの研究を提供する。私たちのコードとデータセットはhttps://github.com/axin1301/UrbanWell-Benchmarkからアクセスできます。

関連論文リスト

Earth Embeddings Reveal Diverse Urban Signals from Space [17.134313498337804]
都市信号予測のために、AlphaEarth、Prithvi、Clayの3つの地球埋め込みファミリーをベンチマークした。統一的な教師付き学習フレームワークを用いて、犯罪、収入、健康、旅行行動にまたがる14の地区レベルの指標を予測する。以上の結果から, 地層埋没が都市構造に結びつく結果の予測技術として, かなりの都市変動を捉えていることが示唆された。
論文参考訳（メタデータ） (2026-04-03T20:58:37Z)
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)
Multimodal Spatial Reasoning in the Large Model Era: A Survey and Benchmarks [108.15756345836901]
大規模モデルを用いたマルチモーダル空間推論タスクの包括的レビューを行う。我々は、視覚言語ナビゲーションやアクションモデルを含む、具体的AIの進歩についてレビューする。我々は,新しいセンサによる空間的理解に寄与する音声やエゴセントリックビデオなどの新たなモダリティを考察する。
論文参考訳（メタデータ） (2025-10-29T17:55:43Z)
UrbanFeel: A Comprehensive Benchmark for Temporal and Perceptual Understanding of City Scenes through Human Perspective [26.682345246235766]
UrbanFeelは、3つの認知的に進歩的な次元にまたがる、慎重に構築された視覚的質問からなる。 Gemini-2.5 Proは、人間のエキスパートレベルに近づいているため、全体的なパフォーマンスが最高である。
論文参考訳（メタデータ） (2025-09-26T11:38:57Z)
HumanVideo-MME: Benchmarking MLLMs for Human-Centric Video Understanding [120.84817886550765]
MLLM(Multimodal Large Language Models)は、画像とビデオの両方を含む視覚的理解タスクにおいて、大きな進歩を見せている。既存の人間中心のベンチマークは、主にビデオ生成の品質と行動認識を強調し、人間中心のシナリオに必要な知覚と認知の能力を見落としている。我々は,人間中心のビデオ理解におけるMLLMのより総合的な評価を提供するために,厳格にキュレートされたベンチマークを提案する。
論文参考訳（メタデータ） (2025-07-07T11:52:24Z)
UrbanLLaVA: A Multi-modal Large Language Model for Urban Intelligence with Spatial Reasoning and Understanding [5.312363883238377]
我々は,マルチモーダルデータを同時に処理するマルチモーダルな大規模言語モデルである$textitUrbanLLaVA$を紹介した。ドメイン知識学習から空間推論の強化を分離する多段階学習フレームワークを提案する。 3つの都市での実験結果から、$textitUrbanLLaVA$は、シングルモーダルタスクと複雑なクロスモーダルタスクの両方において、オープンソースおよびプロプライエタリなMLLMより優れています。
論文参考訳（メタデータ） (2025-06-29T13:04:27Z)
CityLens: Benchmarking Large Language-Vision Models for Urban Socioeconomic Sensing [18.67492140450614]
CityLensは、衛星やストリートビューの画像から社会経済指標を予測するために、大きな言語ビジョンモデル(LLVM)の能力を評価するために設計されたベンチマークである。経済、教育、犯罪、輸送、健康、環境の6つの主要な領域にまたがる、合計17のグローバルな分散都市をカバーするマルチモーダルデータセットを構築した。その結果,LLVMは有望な知覚・推論能力を示すが,都市社会経済指標の予測には限界があることが明らかとなった。
論文参考訳（メタデータ） (2025-05-31T12:25:33Z)
UrBench: A Comprehensive Benchmark for Evaluating Large Multimodal Models in Multi-View Urban Scenarios [60.492736455572015]
複雑な多視点都市シナリオにおけるLMM評価のためのベンチマークであるUrBenchを提案する。 UrBenchには、リージョンレベルとロールレベルの両方で、厳密にキュレートされた11.6Kの質問が含まれている。 21のLMMに対する評価は、現在のLMMが都市環境においていくつかの面で苦戦していることを示している。
論文参考訳（メタデータ） (2024-08-30T13:13:35Z)
CityBench: Evaluating the Capabilities of Large Language Models for Urban Tasks [10.22654338686634]
大規模言語モデル (LLMs) と視覚言語モデル (VLMs) は、実際の有効性と信頼性を確保するために欠かせないものとなっている。都市研究のための体系的評価ベンチマークを構築する上での課題は、都市データの多様性にある。本稿では,対話型シミュレータによる評価プラットフォームである textitCityBench を設計する。
論文参考訳（メタデータ） (2024-06-20T02:25:07Z)
Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for Cross-City Semantic Segmentation using High-Resolution Domain Adaptation Networks [82.82866901799565]
我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
論文参考訳（メタデータ） (2023-09-26T23:55:39Z)
Unified Data Management and Comprehensive Performance Evaluation for Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
論文参考訳（メタデータ） (2023-08-24T16:20:00Z)

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。