論文の概要: UrbanDS: A Graph-Guided LLM Multi-Agent System for Data-Intensive Urban Tasks

• arxiv url: http://arxiv.org/abs/2607.26724v1
• Date: Wed, 29 Jul 2026 10:14:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.621687
• Title: UrbanDS: A Graph-Guided LLM Multi-Agent System for Data-Intensive Urban Tasks
• Title（参考訳）: UrbanDS: データ集約型都市タスクのためのグラフガイド型LLMマルチエージェントシステム
• Abstract要約: データ集約型都市タスクのためのグラフ誘導型LLMマルチエージェントシステムであるUrbanDSを提案する。 まず、再利用可能なデータセットスキルとデータセット間の関係を整理するために、統合されたデータセットグラフを構築します。 Planner Agentは実行時に、グラフからタスク関連データセットを取得し、実行計画を生成する。 複数の実行エージェントはデータ処理と分析を行い、実行の進捗と中間結果は共通のメモリを介して共有される。
• 参考スコア（独自算出の注目度）: 15.20059091216674
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM) agents have been widely applied in automating data science tasks. However, existing methods typically rely on a limited set of provided datasets, and they face challenges in data-intensive scenarios that require discovering and leveraging relevant information from large-scale and heterogeneous data repositories. Urban tasks are representative examples of such scenarios, as urban data are not only large-scale and multi-sourced, but also exhibit complex spatial, temporal, and semantic relationships. To address these challenges, we propose UrbanDS, a graph-guided LLM multi-agent system for data-intensive urban tasks. We first construct a unified dataset graph to organize reusable dataset skills and the relationships among datasets. Specifically, we develop a Data Profiling Agent that constructs a skill for each dataset. Moreover, a Relation Agent identifies relationships among datasets and integrates these relationships into the dataset graph. At runtime, a Planner Agent retrieves task-relevant datasets from the graph and generates execution plans. Multiple Execution Agents then perform data processing and analysis, while their execution progress and intermediate results are shared through a common memory. Finally, a Report Agent synthesizes the experimental logs into a report, which can be further refined based on user feedback. To systematically evaluate the capability of agents in handling data-intensive urban scenarios, we further construct UrbanDS-Bench, an urban data science benchmark covering representative data analysis and modeling tasks. Experiments on both general and urban benchmarks demonstrate that UrbanDS consistently outperforms existing data science agents on data-intensive tasks. Furthermore, UrbanDS has been deployed on the urban operations platform of Dongxihu District, Wuhan, demonstrating its effectiveness in real-world urban applications.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、データサイエンスタスクの自動化に広く応用されている。 しかし、既存のメソッドは通常、提供されたデータセットの限られたセットに依存しており、大規模で異質なデータリポジトリから関連する情報を発見し、活用する必要のあるデータ集約シナリオにおいて、課題に直面している。 都市データは大規模かつ多ソースであるだけでなく、複雑な空間的・時間的・意味的な関係を示すため、都市タスクはそのようなシナリオの代表的な例である。 これらの課題に対処するために,データ集約型都市タスクのためのグラフ誘導型LLMマルチエージェントシステムであるUrbanDSを提案する。 まず、再利用可能なデータセットスキルとデータセット間の関係を整理するために、統合されたデータセットグラフを構築します。 具体的には、データセットごとにスキルを構築するデータプロファイリングエージェントを開発する。 さらに、Relation Agentはデータセット間の関係を特定し、これらの関係をデータセットグラフに統合する。 Planner Agentは実行時に、グラフからタスク関連データセットを取得し、実行計画を生成する。 複数の実行エージェントはデータ処理と分析を行い、実行の進捗と中間結果は共通のメモリを介して共有される。 最後に、レポートエージェントは、実験ログをレポートに合成する。 データ集約型都市シナリオを扱うエージェントの能力を体系的に評価するため、代表的なデータ分析とモデリングタスクをカバーする都市データサイエンスベンチマークであるUrbanDS-Benchを構築した。 一般的なベンチマークと都市ベンチマークの両方の実験では、UrbanDSはデータ集約タスクにおいて既存のデータサイエンスエージェントよりも一貫して優れています。 さらに、UrbanDSは武漢のドンチフ地区の都市運営プラットフォームに展開され、実際の都市利用におけるその効果を実証している。

関連論文リスト

• Can LLMs Clean Up Your Mess? A Survey of Application-Ready Data Preparation with LLMs [66.63911043019294]
  データ準備は、生のデータセットを識別し、データセット間の関係を解明し、それらから貴重な洞察を抽出することを目的としている。 本稿では,様々な下流タスクのためのデータ準備にLLM技術を用いることに焦点を当てる。 データクリーニング、標準化、エラー処理、計算、データ統合、データ豊か化という3つの主要なタスクにフィールドを編成するタスク中心の分類を導入します。
  論文  参考訳（メタデータ） (2026-01-22T12:02:45Z)
• Harnessing Rich Multi-Modal Data for Spatial-Temporal Homophily-Embedded Graph Learning Across Domains and Localities [2.5065738436850835]
  本研究では、クロスドメインデータ融合を行う異種データパイプラインを提案する。 我々は、50以上のデータソースの豊富な情報を活用することで、複数のドメインや地域にわたって複雑な都市問題に対処することを目指している。
  論文  参考訳（メタデータ） (2025-12-11T23:51:54Z)
• Agent Data Protocol: Unifying Datasets for Diverse, Effective Fine-tuning of LLM Agents [85.02904078131682]
  本稿では,エージェントデータセット間の"インターリングア"として機能する軽量表現言語であるエージェントデータプロトコル(ADP)を紹介する。 ADPはAPI/ツールの使用、ブラウジング、コーディング、ソフトウェアエンジニアリング、一般的なエージェントなど、さまざまなタスクを捉えるのに十分な表現力を持っている。 すべてのコードとデータが公開され、ADPが標準化され、スケーラブルで再現可能なエージェントトレーニングの障壁を低くすることを期待している。
  論文  参考訳（メタデータ） (2025-10-28T17:53:13Z)
• Scaling Generalist Data-Analytic Agents [95.05161133349242]
  DataMindは、汎用データ分析エージェントを構築するために設計されたスケーラブルなデータ合成およびエージェントトレーニングレシピである。 DataMindは、オープンソースのデータ分析エージェントを構築する上で重要な3つの課題に取り組む。
  論文  参考訳（メタデータ） (2025-09-29T17:23:08Z)
• Autonomous Data Agents: A New Opportunity for Smart Data [50.02229219403014]
  DataAgentsは、自律的なデータから知識システムへのパラダイムシフトを表している、とReportは主張する。 DataAgentsは、複雑で非構造化されたデータをコヒーレントで行動可能な知識に変換する。 エージェントAIとデータ・トゥ・ナレッジシステムの収束が重要なトレンドとなっている理由を最初に検討する。
  論文  参考訳（メタデータ） (2025-09-23T06:46:41Z)
• Urbanite: A Dataflow-Based Framework for Human-AI Interactive Alignment in Urban Visual Analytics [4.107382739138796]
  都市視覚分析は、現実世界の問題に対する洞察を導き出すのに欠かせないものとなっている。 多様なデータセットを管理し、複雑に蒸留し、様々な分析手法を統合する必要性は、参入の障壁を高くする。 都市視覚分析における人間とAIの協調のためのフレームワークであるUrbaniteを提案する。
  論文  参考訳（メタデータ） (2025-08-10T15:44:37Z)
• Data Agent: A Holistic Architecture for Orchestrating Data+AI Ecosystems [8.816332263275305]
  従来のData+AIシステムは、システムパイプラインのオーケストレーションに人間の専門家に大きく依存しています。 既存のData+AIシステムは、セマンティック理解、推論、計画の能力に制限がある。 データエージェント(Data Agent) - データ+AIエコシステムのオーケストレーションを目的とした包括的なアーキテクチャ。
  論文  参考訳（メタデータ） (2025-07-02T11:04:49Z)
• Making Sense of Data in the Wild: Data Analysis Automation at Scale [0.1747623282473278]
  本稿では,インテリジェントエージェントと検索拡張生成を組み合わせることで,データ解析,データセットキュレーション,インデックス作成を大規模に自動化する手法を提案する。 提案手法により,より詳細なデータセット記述,より高いヒット率,データセット検索タスクの多様性が得られた。
  論文  参考訳（メタデータ） (2025-01-27T10:04:10Z)
• DSBench: How Far Are Data Science Agents from Becoming Data Science Experts? [58.330879414174476]
  現実的なタスクでデータサイエンスエージェントを評価するためのベンチマークであるDSBenchを紹介する。 このベンチマークには、466のデータ分析タスクと、EloquenceとKaggleのコンペからソースされた74のデータモデリングタスクが含まれている。 現状のLLM, LVLM, エージェントを評価したところ, 最高のエージェントはデータ解析タスクの34.12%しか解決できず, RPG(Relative Performance Gap)は34.74%であった。
  論文  参考訳（メタデータ） (2024-09-12T02:08:00Z)
• CMDBench: A Benchmark for Coarse-to-fine Multimodal Data Discovery in Compound AI Systems [10.71630696651595]
  知識集約的なタスクを達成するエージェントとしてLLMを使用する複合AIシステム(CAS)は、データベースやAIコミュニティにおいて大きな関心を集めている。 マルチモーダルデータソースのサイロは、そのタスクを達成するための適切なデータソースを特定するのを困難にしている。 我々はエンタープライズデータプラットフォームの複雑さをモデル化したベンチマークであるCMDBenchを提案する。
  論文  参考訳（メタデータ） (2024-06-02T01:10:41Z)
• TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual Environments [84.6017003787244]
  本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。 既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
  論文  参考訳（メタデータ） (2022-08-16T20:46:08Z)

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。