論文の概要: Network-based Spatial Context Retrieval for Open-weight LLMs: A Faithfulness Benchmark for Grounded Geographic Reasoning

• arxiv url: http://arxiv.org/abs/2609.39437v1
• Date: Wed, 30 Sep 2026 10:13:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.568119
• Title: Network-based Spatial Context Retrieval for Open-weight LLMs: A Faithfulness Benchmark for Grounded Geographic Reasoning
• Title（参考訳）: オープンウェイトLLMのためのネットワークベース空間文脈検索:地上地理推論のための忠実度ベンチマーク
• Abstract要約: 大規模言語モデル (LLMs) は、相当に遅れた地理的知識を符号化する。 それらは空間上では不十分であり、座標のみから問うと信頼性が低下する。 これは、地理的評価が未検討のまま残されているという疑問を提起する。 この問題を,ネットワークベースの空間コンテキスト検索のためのオープンパイプラインで取り上げる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) encode substantial latent geographic knowledge, yet they reason poorly over space and are unreliable when queried from coordinates alone. Useful behaviour emerges only when structured spatial context is supplied in the prompt. This raises a question geographic evaluation has left unexamined: once the right context is supplied, does the model reason from it, or override it with its own parametric recall? We take up this question with an open pipeline for network-based spatial context retriev-al. In it, the surroundings of a selected point are defined by the pedestrian street network, the area actually reachable on foot. Using only open data and open-weight models, the pipeline retrieves features from OpenStreetMap and the GHS-POP population grid, computes indicators over the network catchment in code, and injects them as a compact spatial brief. On this basis we build a faithfulness benchmark. It labels every claim a model makes by its source (grounded in the brief, or drawn from training knowledge) and its correctness, and it probes each case with a planted false premise that the brief refutes. We evaluate sixteen open-weight model configurations across three families (Qwen, Gemma and Llama, with Gemma in two generations), four size classes and, where available, both thinking and non-thinking modes, on three con-trasting cities, resampling every case over ten seeds. The results show that resistance to the planted premise varies more strongly by model family and generation than by scale, while brief-reading competence forms a partly separate dimension. These behaviours are not captured by conventional world-correctness scores or single-shot evaluation. We release the implementation, spatial briefs, model outputs, and claim-level labels as a reproducible workflow at github.com/perezjoan/NSCR-LLM.
• Abstract（参考訳）: 大規模言語モデル (LLMs) は、相当な遅延した地理的知識を符号化するが、それらは空間的に不十分であり、座標だけでは信頼性が低い。 有用な振る舞いは、プロンプトに構造化された空間コンテキストが供給された場合にのみ現れる。 適切なコンテキストが提供されたら、モデルがそれから引き起こされるのか、それとも、独自のパラメトリックリコールでオーバーライドするのか? この問題を,ネットワークベースの空間コンテキスト検索のためのオープンパイプラインで取り上げる。 選択された地点の周囲は歩行者街路網で定義されており、実際に徒歩で到達可能である。 オープンデータとオープンウェイトモデルのみを使用して、パイプラインはOpenStreetMapとGHS-POP集団グリッドから機能を検索し、コード内のネットワークキャッチメント上のインジケータを計算し、それらをコンパクトな空間ブリーフとして注入する。 このベースで、忠実度ベンチマークを構築します。 モデルがそのソース(略語で接頭した、あるいは訓練知識から引き出された)によってなされるすべてのクレームとその正しさをラベル付けし、ブリーフが反証する偽の前提で各ケースを調査する。 我々は,3つの家族(Qwen, Gemma, Llama, 2世代でGemma)の16のオープンウェイトモデル構成,4つのクラス,そして3つのコントラスト都市において,思考モードと非思考モードの両方が利用可能であり,各ケースを10種以上再サンプリングする。 その結果, 植林条件に対する抵抗は, モデルファミリーや世代によって, スケールによってより強く変化し, 短い読解能力は部分的に異なる次元を形成していることがわかった。 これらの行動は、従来の世界精度スコアや単発評価では捉えられない。 我々はgithub.com/perezjoan/NSCR-LLMで再現可能なワークフローとして実装,空間ブリーフィング,モデル出力,クレームレベルラベルをリリースする。

関連論文リスト

• GraphWrit3R: End-to-End 3D Scene Graph Writing [55.64871017816196]
  3Dシーングラフは、オブジェクト、それらの意味的属性、それらの間の関係を符号化することで、複雑な環境の構造化された表現を提供する。 3次元シーングラフ生成の現在のアプローチは、いくつかの基本的な制限に悩まされている。 GraphWrit3Rは,3Dポイントクラウドを利用するシンプルなエンドツーエンドの手法で,シーンを構造化スクリプトとして直接出力する。
  論文  参考訳（メタデータ） (2026-09-25T17:52:39Z)
• Region Matters: Efficient and Reliable Region-Aware Visual Place Recognition [46.97190804063947]
  本稿では,ロバストな識別領域モデリングと適応的再ランク付けを組み合わせたFoL++を提案する。 FoL++は、軽量なメモリフットプリントで最先端のパフォーマンスを実現し、FoLよりも推論速度を40%向上させる。
  論文  参考訳（メタデータ） (2026-04-24T09:28:35Z)
• GeoToken: Hierarchical Geolocalization of Images via Next Token Prediction [23.767061975974134]
  本研究では,ヒトが広い地域から特定の住所まで場所を狭める方法に着想を得た階層的シーケンス予測手法を提案する。 本手法では, ネストした多解像度グローバルグリッドであるS2セルを用いて, 視覚入力と過去の予測に基づいて, より微細なセルを逐次予測する。 我々は,Im2GPS3kとYFCC4kのデータセットを2つの異なるベースラインに対して評価した。
  論文  参考訳（メタデータ） (2025-11-02T21:30:06Z)
• FloorplanQA: A Benchmark for Spatial Reasoning in LLMs using Structured Representations [78.65988445433844]
  FloorplanQAは、大規模言語モデルにおける空間的推論を評価するための診断ベンチマークである。 このベンチマークでは、距離測定、可視性、経路探索、制約空間内のオブジェクト配置など、中核的な空間的タスクをカバーしている。
  論文  参考訳（メタデータ） (2025-07-10T11:16:48Z)
• Coupled Laplacian Eigenmaps for Locally-Aware 3D Rigid Point Cloud Matching [0.0]
  局所構造を考慮したグラフラプラシアン固有写像に基づく新しい手法を提案する。 ラプラシアン固有写像の順序と符号のあいまいさに対処するために、結合ラプラシアンと呼ばれる新しい作用素を導入する。 これらの高次元空間間の類似性は、形状に一致するような局所的な意味のあるスコアを与えることを示す。
  論文  参考訳（メタデータ） (2024-02-27T10:10:12Z)
• Collaborative Propagation on Multiple Instance Graphs for 3D Instance Segmentation with Single-point Supervision [63.429704654271475]
  本稿では,1つのオブジェクトを1つのポイントでラベル付けするだけでよい,弱教師付き手法RWSegを提案する。 これらの疎いラベルにより、セマンティック情報とインスタンス情報を伝達する2つの分岐を持つ統一的なフレームワークを導入する。 具体的には、異なるインスタンスグラフ間の競合を促進するクロスグラフ競合ランダムウォークス(CRW)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-10T02:14:39Z)
• Surface Reconstruction from Point Clouds by Learning Predictive Context Priors [68.12457459590921]
  点雲からの表面の再構成は、3Dコンピュータビジョンにとって不可欠である。 推論時に各ポイントクラウドに対して予測的クエリを学習することで予測的コンテキスト優先を導入する。 一つの形状や複雑なシーンの表面再構成実験の結果, 広く使用されているベンチマークでは, 最先端のベンチマークよりも顕著な改善が見られた。
  論文  参考訳（メタデータ） (2022-04-23T08:11:33Z)
• A Boundary Regression Model for Nested Named Entity Recognition [17.968819067122418]
  名前付きエンティティ(NE)の認識は、文中のNE候補のクラスタグを予測する分類問題として一般的に行われる。 ニューラルネットワークの最近の進歩は、特徴を連続表現に分類する深い構造を採用している。 本稿では,文中のNEを見つけるために回帰演算を導入する。
  論文  参考訳（メタデータ） (2020-11-29T10:04:38Z)
• Zero-Shot Multi-View Indoor Localization via Graph Location Networks [66.05980368549928]
  屋内ローカライゼーションは、位置ベースアプリケーションにおける基本的な問題である。 本稿では,インフラストラクチャフリーで多視点画像に基づく屋内ローカライゼーションを実現するために,新しいニューラルネットワークアーキテクチャであるGraph Location Networks(GLN)を提案する。 GLNは、メッセージパッシングネットワークを通じて画像から抽出されたロバストな位置表現に基づいて位置予測を行う。 新たにゼロショット屋内ローカライズ設定を導入し,提案したGLNを専用ゼロショットバージョンに拡張することで,その課題に対処する。
  論文  参考訳（メタデータ） (2020-08-06T07:36:55Z)
• SE-KGE: A Location-Aware Knowledge Graph Embedding Model for Geographic Question Answering and Spatial Semantic Lifting [9.949690056661218]
  位置認識型KG埋め込みモデルSE-KGEを提案する。 点座標や地理的実体の境界ボックスなどの空間情報をKG埋め込み空間にエンコードする。 また、SE-KGEの性能を評価するために、地理知識グラフと、DBGeoと呼ばれる地理的問合せ対のセットを構築した。
  論文  参考訳（メタデータ） (2020-04-25T17:46:31Z)

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。