論文の概要: Multi-Agent Collaborative Reasoning with Tool-Augmented Evidence for Urban Region Profiling

• arxiv url: http://arxiv.org/abs/2607.13558v1
• Date: Wed, 15 Jul 2026 08:01:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.693258
• Title: Multi-Agent Collaborative Reasoning with Tool-Augmented Evidence for Urban Region Profiling
• Title（参考訳）: 都市域プロファイリングのためのツール強化エビデンスを用いたマルチエージェント協調推論
• Abstract要約: 都市域のプロファイリングは、人口推定、経済評価、環境モニタリングなどの応用をサポートする。 本稿では,都市域のプロファイリングを推論問題として再編成するエージェントフレームワークであるUrbanAgentを提案する。 炭素排出量、GDP、人口推定のためのグローバルな都市データセットの実験は、UrbanAgentが既存のベースラインを一貫して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）: 31.71830721319945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Urban region profiling constitutes a core problem in urban computing, supporting applications such as population estimation, economic assessment, and environmental monitoring. Existing methods typically formulate this task as multimodal representation learning, fusing heterogeneous urban data, e.g., satellite imagery, points of interest, textual descriptions, and 3D building information, into latent embeddings for prediction. However, these approaches are largely correlation-driven, assume cross-modal consistency, and rely on static pipelines, which limit their robustness in heterogeneous or unseen urban regions. We propose UrbanAgent, an agentic framework that reframes urban region profiling as a reasoning-driven inference problem. UrbanAgent instantiates an independent agent for each data modality and performs structured multi-agent collaborative reasoning to explicitly address cross-modal inconsistencies rather than absorbing them into a single representation. In addition, UrbanAgent extends indicator prediction as a closed-loop process of active evidence acquisition and iterative reasoning, enabling agents to verify uncertain inferences through tool-augmented retrieval of external knowledge optimized via reinforcement learning. Extensive experiments on global urban datasets for Carbon emissions, GDP, and Population estimation show that UrbanAgent consistently outperforms existing baselines, achieving an average improvement of 8.1% in R2, and exhibiting strong generalization performance in unseen-city settings.
• Abstract（参考訳）: 都市域のプロファイリングは、人口推定、経済評価、環境モニタリングなどの応用をサポートする都市コンピューティングにおける中核的な問題となっている。 既存の手法では、このタスクをマルチモーダルな表現学習として定式化し、例えば、異質な都市データ、衛星画像、関心点、テキスト記述、および3D構築情報を、予測のための潜伏埋め込みに融合させる。 しかしながら、これらのアプローチは、主に相関駆動であり、クロスモーダルな一貫性を前提としており、不均一な都市部や見えない都市部のロバスト性を制限する静的パイプラインに依存している。 本稿では,都市域のプロファイリングを推論問題として再編成するエージェントフレームワークであるUrbanAgentを提案する。 UrbanAgentは、データモダリティごとに独立したエージェントをインスタンス化し、構造化されたマルチエージェント協調推論を実行して、それらを単一の表現に吸収するのではなく、モジュール間不整合に明示的に対処する。 さらに、UrbanAgentは、アクティブエビデンス獲得と反復推論の閉ループプロセスとしてインジケータ予測を拡張し、強化学習によって最適化された外部知識のツール強化検索を通じて、エージェントが不確実な推論を確認できるようにした。 炭素排出量、GDP、人口推定のグローバルな都市データセットに関する大規模な実験は、UrbanAgentが既存のベースラインを一貫して上回り、R2における平均8.1%の改善を実現し、目に見えない都市環境での強力な一般化性能を示していることを示している。

関連論文リスト

• CITYREP: A Unified Benchmark for Urban Representations Across Cities, Tasks, and Modalities [0.8319452826580411]
  CityRepは、空間的に構造化された分割を使用して、データモダリティ、都市、タスク間の都市表現を評価するベンチマークである。 その結果,確率的にスコアが膨らんだり,モデルランキングが変更されたりして,性能は分割プロトコルに非常に敏感であることがわかった。 CityRepは、公正な比較を容易にするために、データセット、評価パイプライン、診断ツールを備えた再現可能なベンチマークとしてリリースされた。
  論文  参考訳（メタデータ） (2026-05-25T17:03:46Z)
• 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)
• Urban-MAS: Human-Centered Urban Prediction with LLM-Based Multi-Agent System [0.0]
  都市人工知能(Urban Artificial Intelligence, Urban AI)は、知覚予測や人間のダイナミクスといった、先進的な人間中心の都市タスクを持つ。 大規模言語モデル(LLM)は、複雑な都市システムにおける異種データを扱うためにマルチモーダル入力を統合することができるが、ドメイン固有のタスクでは性能が劣ることが多い。 LLMをベースとしたマルチエージェントシステム(MAS)であるUrban-MASは、ゼロショット環境下での人間中心の都市予測のために導入された。
  論文  参考訳（メタデータ） (2025-10-30T10:26:02Z)
• 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)
• Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
  メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-01-20T07:12:40Z)
• Explainable Hierarchical Urban Representation Learning for Commuting Flow Prediction [1.5156879440024378]
  通勤フロー予測は、現実の自治体の業務に欠かせない課題である。 我々は,異なるタイプのODフローを予測するために,意味のある領域埋め込みを生成するヘテロジニアスグラフベースモデルを開発した。 提案モデルでは,一様都市構造の観点から既存モデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-08-27T03:30:01Z)
• 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)
• Dynamic Federated Learning [57.14673504239551]
  フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。 我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。 集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
  論文  参考訳（メタデータ） (2020-02-20T15:00:54Z)

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。