論文の概要: From Feasibility to Desirability: Plan, Learn, Adapt (PLA) Framework for Personalized On-Device Itinerary Generation
- arxiv url: http://arxiv.org/abs/2607.15552v1
- Date: Fri, 17 Jul 2026 01:52:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.731888
- Title: From Feasibility to Desirability: Plan, Learn, Adapt (PLA) Framework for Personalized On-Device Itinerary Generation
- Title（参考訳）: 実現可能性から望ましさへ:パーソナル化されたオンデバイス・イテナリー・ジェネレーションのためのプラン、学習、適応(PLA)フレームワーク
- Authors: Himel Dev, Tanmoy Sen, Madhusudan Basak, Bashima Islam,
- Abstract要約: Plan, Learn, Adaptは、デバイス上でパーソナライズされた反復生成のための3段階のフレームワークである。
アメリカ合衆国の100以上の都市で2,519対の人間比較を行い、PLAは67.8%の勝利率、最高のシングルプランナーよりも11.2%のポイントを達成し、100%実現可能である。
FlyEnJoyでの運用では、PLAは反復完了率を91%増加させ、109.9msのデバイス上の平均遅延を発生させた。
- 参考スコア（独自算出の注目度）: 1.6391892978433935
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generating personalized trip itineraries is a complex planning task and involves a tension between hard combinatorial feasibility and soft latent desirability. Classical optimization enforces constraints but fails to capture subjective traveler preferences. While learning-based approaches model preferences, they cannot guarantee feasibility. Mobile deployment imposes additional resource constraints on both. To address this, we propose Plan, Learn, Adapt (PLA), a three-stage framework for personalized on-device itinerary generation. The Plan stage builds a heterogeneous ensemble of lightweight planners that produces structurally diverse feasible candidates. From pairwise itinerary comparisons, Learn fits a compact Bradley-Terry reward model that captures emergent schedule properties such as pacing, geographic coherence, and day balance, which per-POI signals miss. Finally, Adapt applies feasibility-preserving local refinement within a device-aware compute budget; every intermediate state is feasible by construction. On 2,519 pairwise human comparisons across more than 100 U.S. cities, the reward-guided ensemble achieves a 67.8% win rate, 11.2 percentage points above the best single planner, with 100% feasibility. Three frontier LLMs, GPT-5, Claude Opus 4.5, and Gemini 3 Pro, achieve 0% feasibility under the same constraints. The reward model generalizes across held-out cities, with a 67.6% mean leave-one-city-out accuracy. In production deployment within FlyEnJoy, PLA increased itinerary completion rates by 91%, with 109.9 ms average on-device latency.
- Abstract（参考訳）: パーソナライズされた旅行イテナリーを生成することは複雑な計画課題であり、硬い組み合わせ実現可能性と柔らかい潜伏性の間の緊張を伴う。
古典的な最適化は制約を強制するが、主観的な旅行者の好みを捉えない。
学習ベースのアプローチは好みをモデル化するが、実現可能性を保証することはできない。
モバイルデプロイメントでは、両方にリソースの制約が加えられる。
そこで我々はPlan, Learn, Adapt (PLA)を提案する。
Planステージは、構造的に多様な実現可能な候補を生成する軽量プランナーの異種アンサンブルを構築する。
ペアワイズ反復比較から、LearnはコンパクトなBradley-Terry報酬モデルに適合する。
最後に、Adaptはデバイス対応の計算予算内で実現可能性に配慮した局所的な改善を適用し、中間状態はすべて構築によって実現可能である。
全米100都市を対象にした2,519対の人間比較では、報酬誘導アンサンブルは67.8%の勝利率、最高のシングルプランナーよりも11.2%のポイントを獲得し、100%実現可能である。
3つのフロンティアLCM、GPT-5、Claude Opus 4.5、Gemini 3 Proは、同じ制約の下で0%の実現性を達成する。
報酬モデルは保留都市全体にわたって一般化され、67.6%は保留都市の精度を平均している。
FlyEnJoyでの運用では、PLAは反復完了率を91%増加させ、109.9msのデバイス上の平均遅延を発生させた。
関連論文リスト
- Robust Asynchronous Planning via Auto-Formalization [18.999996458563373]
LLMは、Plannerとしてアクションシーケンスを直接生成するか、外部ソルバをFormalizerとしてドメイン固有言語に変換することで計画できる。
これらの課題を1つの定式化の下で統一し、それぞれに対処する最初の3つのベンチマークを導入します。
フォーマルな表現の選択は、主に計画スケールを決定する。
論文 参考訳（メタデータ） (2026-05-31T03:28:42Z) - Mosaic: An Extensible Framework for Composing Rule-Based and Learned Motion Planners [5.399177691034965]
学習プランナーは強い適応性を示すが、透明性の低下と時折の安全違反に悩まされる。
我々は、調停グラフを通じて両方のパラダイムを統合する構造化決定のためのフレームワークであるMosaicを紹介する。
実験的評価において、MosaicはVal14のクローズドループベンチマークで95.48 CLS-NRと93.98 CLS-Rを達成した。
論文 参考訳（メタデータ） (2026-04-15T13:23:47Z) - HiMAP-Travel: Hierarchical Multi-Agent Planning for Long-Horizon Constrained Travel [17.262462566213244]
提案する階層型マルチエージェントフレームワークであるHiMAP-Travelは,計画を戦略的コーディネートと並列日次実行に分割する。
TravelPlannerでは、Qwen3-8Bを用いたHiMAP-Travelが52.78%の検証と52.65%のテストファイナルパスレート(FPR)を達成した。
論文 参考訳（メタデータ） (2026-03-05T02:55:53Z) - MagicAgent: Towards Generalized Agent Planning [73.21129030631421]
汎用エージェント計画に特化して設計された基盤モデルである textbfMagicAgent について述べる。
多様な計画タスクにまたがる高品質なトラジェクトリを生成する軽量でスケーラブルな合成データフレームワークを提案する。
MagicAgent-32B と MagicAgent-30B-A3B は様々なオープンソースベンチマークにおいて優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2026-02-22T01:39:16Z) - TriFlow: A Progressive Multi-Agent Framework for Intelligent Trip Planning [2.374752841069747]
現実の旅行計画では、厳密な空間的、時間的、予算的な制約の下で、オープンエンドのユーザリクエストを実行可能なイテレーションに変換する必要があります。
既存のLSMベースのエージェントは、制約満足度、ツール調整、効率に苦しむ。
構造化推論と言語ベースの柔軟性を統一する,プログレッシブなマルチエージェントフレームワークであるTriFlowを提案する。
論文 参考訳（メタデータ） (2025-12-12T04:27:22Z) - TripCraft: A Benchmark for Spatio-Temporally Fine Grained Travel Planning [7.841787597078323]
TripCraft は LLM によるパーソナライズされた旅行計画のための,新たなベンチマークを確立している。
パラメータ情報設定は食事スケジューリングを著しく向上させ、7日間のシナリオでは時間的食事スコアが61%から80%に向上する。
論文 参考訳（メタデータ） (2025-02-27T20:33:28Z) - NATURAL PLAN: Benchmarking LLMs on Natural Language Planning [109.73382347588417]
本稿では,3つのタスク – トリップ計画,ミーティング計画,カレンダースケジューリング – を含む,自然言語の現実的な計画ベンチマークであるNATURAL PLANを紹介する。
我々は、Google Flights、Google Maps、Google Calendarなどのツールからの出力を、モデルに対するコンテキストとして提供することによって、タスクに関する完全な情報を備えたLCMの計画能力に焦点をあてる。
論文 参考訳（メタデータ） (2024-06-06T21:27:35Z) - PDDLEGO: Iterative Planning in Textual Environments [56.12148805913657]
テキスト環境における計画は、現在のモデルにおいても長年にわたる課題であることが示されている。
我々は,あるサブゴールの部分的な計画に導く計画表現を反復的に構築するPDDLEGOを提案する。
数ショットのPDDLEGOで作成するプランは,Coin Collectorシミュレーションでエンドツーエンドのプランを生成するよりも43%効率がよいことを示す。
論文 参考訳（メタデータ） (2024-05-30T08:01:20Z) - LLM-Assist: Enhancing Closed-Loop Planning with Language-Based Reasoning [65.86754998249224]
従来のルールベースプランナとLCMベースのプランナを併用した,新しいハイブリッドプランナを開発した。
当社のアプローチでは,既存のプランナが苦労する複雑なシナリオをナビゲートし,合理的なアウトプットを生成すると同時に,ルールベースのアプローチと連携して作業する。
論文 参考訳（メタデータ） (2023-12-30T02:53:45Z) - Differentiable Spatial Planning using Transformers [87.90709874369192]
本研究では、長距離空間依存を計画して行動を生成する障害マップを与えられた空間計画変換器(SPT)を提案する。
エージェントが地上の真理マップを知らない環境では、エンド・ツー・エンドのフレームワークで事前訓練されたSPTを利用する。
SPTは、操作タスクとナビゲーションタスクの両方のすべてのセットアップにおいて、最先端の差別化可能なプランナーよりも優れています。
論文 参考訳（メタデータ） (2021-12-02T06:48:16Z)
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。