論文の概要: Do LLMs Know Your Neighborhood? Auditing LLM Priors for Neighborhood-Level Mobility Prediction and Structural Alignment

• arxiv url: http://arxiv.org/abs/2609.00345v1
• Date: Mon, 31 Aug 2026 20:39:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.069368
• Title: Do LLMs Know Your Neighborhood? Auditing LLM Priors for Neighborhood-Level Mobility Prediction and Structural Alignment
• Title（参考訳）: LLMはあなたの隣り合うことを知っていますか? 隣り合う移動予測と構造アライメント
• Authors: Saad Mohammad Abrar, Eesha Kurella, Arnav Dadarya, Naman Awasthi, Kazi Tasnim Zinat, Vanessa Frias-Martinez,
• Abstract要約: 大規模言語モデル(LLM)は、可塑性モビリティトレースを生成し、個々の動きを予測することで、潜在的な代替手段を提供する。 Census Block Group レベルモビリティ予測におけるゼロショット LLM の評価を行った。 LLMは都市環境から部分的に集合移動パターンを復元できるが、その予測は構造的基盤として扱うべきではない。
• 参考スコア（独自算出の注目度）: 0.974918946585139
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human mobility is central to urban planning, transportation, public health, and emergency response, yet fine-grained trajectory data are often proprietary, restricted, and privacy-sensitive. Large language models (LLMs) offer a potential alternative by generating plausible mobility traces and predicting individual movement, but their ability to infer aggregate neighborhood-level mobility remains unclear. We evaluate zero-shot LLMs on Census Block Group-level mobility prediction across four U.S. metropolitan areas using anonymized Cuebiq data to construct point-level, trajectory-level, and temporal mobility outcomes, paired with sociodemographic and built-environment predictors. We compare LLM predictions with supervised baselines and introduce a directional alignment analysis to test whether LLM-implied predictor effects agree with empirical OLS and Jonckheere-Terpstra trends. Supervised models achieve 0.580 average accuracy, compared with 0.435 for the best LLM, with spatial extent outcomes showing the strongest predictability but also the largest LLM-baseline gaps. Directional analysis shows that LLMs often rely on coarse, stable predictor-level priors that remain similar across outcomes and cities, including asymmetric treatment of protected-group predictors. Overall, LLMs can partially recover aggregate mobility patterns from urban context, but their predictions should not be treated as structurally grounded without auditing empirical alignment and potential bias.
• Abstract（参考訳）: 人間の移動性は都市計画、交通、公衆衛生、緊急対応の中心であるが、微粒な軌跡データはしばしばプロプライエタリで制限され、プライバシーに敏感である。 大規模言語モデル(LLM)は、可塑性モビリティトレースを生成し、個々の動きを予測することで、潜在的な代替手段を提供する。 我々は、匿名化されたCuebiqデータを用いて、Census Block Groupレベルのモビリティ予測におけるゼロショットLCMを評価し、ソシオデマトグラフィーとビルト環境予測との組み合わせで、ポイントレベル、トラジェクトリレベル、時間モビリティ結果を構築した。 我々は, LLM予測を教師付きベースラインと比較し, 指向性アライメント解析を導入し, LLMにより実現された予測効果が経験的OLSとJonckheere-Terpstraトレンドと一致するかどうかを検証した。 監督されたモデルの平均精度は0.580であり、最高のLCMでは0.435であり、空間範囲の結果は最も高い予測可能性を示すが、LLMベースラインのギャップも最大である。 方向分析により、LLMは、しばしば、保護群予測器の非対称的な処理を含む結果や都市間で類似した、粗大で安定した予測器レベルの先行に頼っていることが示されている。 総じて、LLMは都市環境から部分的に集合移動パターンを復元することができるが、その予測は経験的アライメントや潜在的なバイアスを監査することなく、構造的基盤として扱うべきではない。

関連論文リスト

• Towards Efficient and Evidence-grounded Mobility Prediction with LLM-Driven Agent [15.849291461766995]
  監視されたシーケンスモデルは高い精度を達成するが、タスク固有のトレーニングが必要であり、決定レベルの透明性が制限される。 LLMに基づく最近の手法は解釈可能性を改善するが、ほとんどの場合静的なプロンプトとシングルパス推論に依存している。 本稿では,次の位置予測をアダプティブエビデンス制御による意思決定として定式化する,学習不要なLCM駆動エージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-03T17:34:01Z)
• LEAF: A Living Benchmark for Event-Augmented Forecasting [78.94019460534442]
  LEAFは、イベント拡張予測タスクの最初の生きたベンチマークである。 我々は最先端のプロプライエタリかつオープンウェイトなLLMを評価した。 LLMは、より予測し易いと自信を持って判断し、より優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-05-09T03:17:59Z)
• From Fallback to Frontline: When Can LLMs be Superior Annotators of Human Perspectives? [16.841321593524132]
  大規模言語モデル(LLM)は、大規模にアノテータとして使われることが多い。 この研究は、潜在群レベルの判断を推定する手段として、視点を取ることによる推定に挑戦する。
  論文  参考訳（メタデータ） (2026-04-20T08:48:38Z)
• Beyond Naïve Prompting: Strategies for Improved Zero-shot Context-aided Forecasting with LLMs [57.82819770709032]
  大規模言語モデル (LLM) は、na "ive direct prompting" を通じて効果的な文脈支援予測を行うことができる。 ReDPは、明確な推論トレースを抽出することで、解釈可能性を改善し、コンテキスト上でモデルの推論を評価することができる。 CorDPはLLMを活用して、既存の予測をコンテキストで洗練し、現実の予測パイプラインにおける適用性を高める。 IC-DPは、文脈支援予測タスクの歴史的例を即時に組み込むことを提案し、大規模モデルにおいても精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-08-13T16:02:55Z)
• On the Performance of LLMs for Real Estate Appraisal [5.812129569528997]
  本研究では,Large Language Models (LLMs) が,競争力と解釈可能な住宅価格推定を生成することによって,不動産情報へのアクセスを民主化する方法について検討する。 我々は,多種多様な国際住宅データを用いて,ゼロショット,少数ショット,市場レポート強化,ハイブリッドプロンプト技術の比較を行った。 この結果から, LLMは, 特性サイズやアメニティなどのヘドニック変数を有効利用し, 有意義な推定値が得られることがわかった。
  論文  参考訳（メタデータ） (2025-06-13T14:14:40Z)
• Latent Factor Models Meets Instructions: Goal-conditioned Latent Factor Discovery without Task Supervision [50.45597801390757]
  Instruct-LFはゴール指向の潜在因子発見システムである。 命令フォロー機能と統計モデルを統合して、ノイズの多いデータセットを処理する。
  論文  参考訳（メタデータ） (2025-02-21T02:03:08Z)
• Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
  交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。 近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。 我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
  論文  参考訳（メタデータ） (2024-10-28T09:19:29Z)
• Large Language Models are Zero-Shot Next Location Predictors [4.315451628809687]
  大規模言語モデル(LLM)は、優れた一般化と推論能力を示している。 LLMは最大36.2%の精度を得ることができ、人間の移動性に特化して設計された他のモデルに比べて640%近く改善されている。
  論文  参考訳（メタデータ） (2024-05-31T16:07:33Z)
• Comprehensive Reassessment of Large-Scale Evaluation Outcomes in LLMs: A Multifaceted Statistical Approach [64.42462708687921]
  評価の結果、スケーリング、トレーニングタイプ、アーキテクチャなどの要因がLLMのパフォーマンスに大きな影響を与えていることが明らかになった。 本研究は, これらのLCMの徹底的な再検討に着手し, 現状評価手法における不整合性に着目した。 これには、ANOVA、Tukey HSDテスト、GAMM、クラスタリング技術などが含まれる。
  論文  参考訳（メタデータ） (2024-03-22T14:47:35Z)

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。