論文の概要: LLM-Driven Training-free Location-Attribute Synergic Fusion: A Closed-Loop Paradigm for Dual-source Encrypted POIs and LULC Mapping

• arxiv url: http://arxiv.org/abs/2609.25051v1
• Date: Sun, 06 Sep 2026 11:07:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.843005
• Title: LLM-Driven Training-free Location-Attribute Synergic Fusion: A Closed-Loop Paradigm for Dual-source Encrypted POIs and LULC Mapping
• Title（参考訳）: LLM-Driven Training-free Location-Attribute Synergic Fusion: Dual-source Encrypted POIs and LULC Mappingのためのクローズドループパラダイム
• Abstract要約: 本論文は,DSEP核融合のためのLCM駆動型位置属性同期閉ループ最適化手法を初めて提案するものである。 このパラダイムは、反復的なフィードバックを通じて、位置変換と属性対応を共同で洗練する。 実験の結果,提案手法は平均DSEP位置融合残差4.58m,属性融合精度95.12%を実現していることがわかった。
• 参考スコア（独自算出の注目度）: 4.492867606728191
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Dual-source encrypted points of interest (DSEP), POIs from two encrypted coordinate systems, suffer from intertwined location and attribute uncertainties, including nonlinear systematic misalignment and naming inconsistency, hindering land-use/land-cover (LULC) mapping. To the best of our knowledge, this paper is the first to propose an LLM-driven, training-free location-attribute synergic closed-loop optimization paradigm for DSEP fusion. The paradigm jointly refines location transformation and attribute correspondences through iterative feedback. Attribute-synergic location fusion uses an LLM-driven attribute matching method to establish DSEP correspondences, reducing matching complexity from O(N^2) to O(N), and refines transformation coefficients using an improved particle swarm optimization algorithm within ISODATA-clustered local subregions. Location-synergic attribute fusion then reassesses attribute confidence from updated geometric residuals through an LLM-fuzzy method. The refined correspondences feed back into location optimization, forming a bidirectional closed loop. Sample purification and adaptive radius contraction enable convergence in essentially two iterations. We further propose a training-free LULC mapping method that inherits land-use classes from encrypted maps through location fusion, producing vector-raster integrated LULC maps. A reference-free POI fusion evaluation method is applied across 31 provincial capitals and municipalities in mainland China. Experiments show that our method achieves an average DSEP location fusion residual of 4.58 m and attribute fusion accuracy of 95.12%, improving upon the open-source baseline and state-of-the-art method by 1.77 m and 14.87%, respectively. Overall, the method provides a training-free solution for DSEP fusion and enables georeferencing of encrypted vector data to WGS-84 without field-surveyed ground control points.
• Abstract（参考訳）: 2つの暗号化された座標系からのデュアルソース暗号化ポイント(DSEP)は、非線形な体系的不整合や命名の不整合、土地利用/土地被覆(LULC)マッピングの妨げなど、中間的な位置と属性の不確かさに悩まされている。 我々の知る限り,本論文はDSEP核融合のためのLCM駆動型,トレーニング不要な位置属性共役クローズループ最適化パラダイムを初めて提案するものである。 このパラダイムは、反復的なフィードバックを通じて、位置変換と属性対応を共同で洗練する。 属性-作動性位置融合は、LDM駆動の属性マッチング法を用いてDSEP対応を確立し、O(N^2)からO(N)へのマッチング複雑性を低減し、ISODATAクラスタ化された局所部分領域内の粒子群最適化アルゴリズムを用いて変換係数を洗練する。 LLMファジィ法により, 改良された幾何的残留物から特性信頼度を再評価する。 洗練された対応は位置最適化にフィードバックし、双方向の閉ループを形成する。 サンプルの精製と適応半径収縮は、本質的に2つの反復の収束を可能にする。 さらに, 位置情報融合による土地利用クラスを継承し, ベクトルラスター統合LULCマップを生成する, 学習不要なLULCマッピング手法を提案する。 中国本土の都道府県31市町村を対象に,基準フリーのPOI核融合評価手法を適用した。 実験の結果,提案手法は平均DSEP位置融合残差4.58mと属性融合精度95.12%を達成し,それぞれ1.77m,14.87%のオープンソースベースラインと最先端メソッドを改善した。 全体として、DSEP融合のためのトレーニング不要のソリューションを提供し、フィールドサーベイされた地上制御ポイントを使わずに、暗号化ベクターデータのWGS-84へのジオレファレンスを可能にする。

関連論文リスト

• SOL-SLAM: Inverse Compositional Gauss-Newton Direct Registration for Fast Sonar-Only Local SLAM [1.9336815376402718]
  粗いナビゲーションと障害物回避は 局所的な一貫性を必要とする 既存のSLAMフレームワークはスパース特徴抽出方式に依存している。 この研究は、完全な音響強度スキャンを再帰的に更新された局所写像に整列させる、密度の高い直接登録手法を導入する。 AUVフィールドトライアルにより実世界の応用性を検証し、組み込みのリソース制約されたコンピュータ上で完全なローカルSLAMアプローチを実行する。
  論文  参考訳（メタデータ） (2026-09-16T16:25:11Z)
• A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
  本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。 A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
  論文  参考訳（メタデータ） (2026-08-05T14:01:10Z)
• ADAPT: Hybrid Prompt Optimization for LLM Feature Visualization [4.700604993101454]
  ADAPTはビームサーチと適応勾配誘導突然変異を組み合わせたハイブリッド手法である。 ADAPTは、レイヤと潜伏型をまたいだ先行メソッドよりも一貫して優れていることを示す。 この結果から, LLM の機能視覚化は難易度が高いが, ドメインに適した設計仮定が必要であることが確認された。
  論文  参考訳（メタデータ） (2026-02-19T22:03:25Z)
• A Gradient Meta-Learning Joint Optimization for Beamforming and Antenna Position in Pinching-Antenna Systems [63.213207442368294]
  マルチ導波路ピンチアンテナシステムの新しい最適化設計について検討する。 提案したGML-JOアルゴリズムは,既存の最適化手法と比較して,様々な選択や性能に頑健である。
  論文  参考訳（メタデータ） (2025-06-14T17:35:27Z)
• Weighted-Reward Preference Optimization for Implicit Model Fusion [35.57286356489511]
  提案手法は,ソースLLMとターゲットLLM間の優先最適化を有効に活用する暗黙融合方式を提案する。 WRPOは語彙アライメントやマトリックス融合の必要性を排除し、様々なLSMに対応するために効率的にスケールすることができる。 MT-Bench、AlpacaEval-2、Arena-Hardベンチマークの実験は、WRPOが既存の知識融合法より一貫して優れていることを示した。
  論文  参考訳（メタデータ） (2024-12-04T10:15:12Z)
• Asymmetrically Decentralized Federated Learning [22.21977974314497]
  分散フェデレーションラーニング(DFL)が出現し、ピアツーピア(P2P)通信フレームワークでサーバを破棄する。 本稿では,非対称トポロジに基づくPush-Awareプロトコルを用いたDFedSGPSMアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-08T09:46:26Z)
• Disentangled Federated Learning for Tackling Attributes Skew via Invariant Aggregation and Diversity Transferring [104.19414150171472]
  属性は、クライアント間の一貫した最適化方向から、現在の連邦学習(FL)フレームワークを歪めます。 本稿では,ドメイン固有属性とクロス不変属性を2つの補足枝に分離するために,非絡み付きフェデレーション学習(DFL)を提案する。 実験により、DFLはSOTA FL法と比較して高い性能、より良い解釈可能性、より高速な収束率でFLを促進することが確認された。
  論文  参考訳（メタデータ） (2022-06-14T13:12:12Z)
• Escaping Saddle Points with Bias-Variance Reduced Local Perturbed SGD for Communication Efficient Nonconvex Distributed Learning [58.79085525115987]
  ローカル手法は通信時間を短縮する有望なアプローチの1つである。 局所的データセットが局所的損失の滑らかさよりも小さい場合,通信の複雑さは非局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-12T15:12:17Z)
• Domain Adaptive Person Re-Identification via Coupling Optimization [58.567492812339566]
  ドメイン適応型人物再識別(ReID)は、ドメインのギャップとターゲットシナリオに対するアノテーションの不足のために困難である。 本稿では,ドメイン不変写像 (DIM) 法とグローバル局所距離最適化 (GLO) を含む結合最適化手法を提案する。 GLOはターゲットドメインの教師なし設定でReIDモデルをトレーニングするために設計されている。
  論文  参考訳（メタデータ） (2020-11-06T14:01:03Z)

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。