論文の概要: GeoFaham: Domain-Specialized Multi-Agent Geospatial Analytics for Disaster Response
- arxiv url: http://arxiv.org/abs/2611.04977v1
- Date: Tue, 03 Nov 2026 14:32:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 15:14:25.787616
- Title: GeoFaham: Domain-Specialized Multi-Agent Geospatial Analytics for Disaster Response
- Title(参考訳): GeoFaham:災害対応のためのドメイン特化マルチエージェント地理空間分析
- Abstract要約: 現実世界の地理空間決定のサポートには、単一ステップの検索やコード生成以上のものが必要である。
災害解析のためのドメイン特化マルチエージェントシステムGeoFahamを紹介する。
アーティファクト中心のコラボレーションをサポートするために、GeoFahamは、完全な地理空間出力を永続化するRe Response Storeを使用している。
- 参考スコア(独自算出の注目度): 12.946318539765194
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-world geospatial decision support requires more than single-step retrieval or code generation. Disaster-response questions often involve multi-source workflows that combine spatial databases, map-derived features, satellite imagery, raster products, and reusable geospatial artifacts, where correctness depends on preserving spatial scope, temporal context, and intermediate execution state. While large language models and coding agents offer a promising interface for such workflows, they struggle with geospatial-specific failure modes, including handling large artifacts, selecting the wrong evidence source, losing spatial or temporal metadata, and applying invalid geometric operations. We introduce GeoFaham, a domain-specialized multi-agent system for geospatial disaster analytics. GeoFaham decomposes workflows into specialist agents for vector operations, map feature retrieval, imagery discovery, and raster analysis, coordinated by an Orchestrator with a dual-ledger control loop for dependency-aware planning, progress tracking, validation, and replanning. To support artifact-centric collaboration, GeoFaham uses a Response Store that persists full geospatial outputs and typed metadata outside the LLM context window while agents exchange compact identifiers and summaries. We also introduce GeoFaham-Bench, a 40-task benchmark grounded in 17 real-world disaster records, designed to evaluate multi-step geospatial reasoning, cross-source integration, raster-vector computation, artifact generation, and recovery under non-rigid ground truth. We evaluate GeoFaham on GeoFaham-Bench against strong general-purpose coding-agent baselines, including Codex, Claude Code, and OpenCode. GeoFaham achieves the best overall performance, scoring 0.940 versus the next-best 0.879, while using 7.5 times fewer tokens. Our code and benchmark are publicly available at https://github.com/microsoft/GeoFaham.
- Abstract(参考訳): 現実世界の地理空間決定のサポートには、単一ステップの検索やコード生成以上のものが必要である。
災害対応の質問は、空間データベース、地図から派生した特徴、衛星画像、ラスター製品、再利用可能な地理空間的アーティファクトを組み合わせた複数ソースワークフローを含むことが多い。
大きな言語モデルとコーディングエージェントはそのようなワークフローに有望なインターフェースを提供するが、大きなアーティファクトの扱い、間違ったエビデンスソースの選択、空間的または時間的メタデータの喪失、任意の幾何学的操作の適用など、地理空間固有の障害モードに苦労する。
地空間災害解析のためのドメイン特化マルチエージェントシステムであるGeoFahamを紹介する。
GeoFahamはワークフローを、ベクトル操作、マップ機能検索、画像発見、ラスタ分析のための専門エージェントに分解する。
アーティファクト中心のコラボレーションをサポートするため、GeoFahamはResponse Storeを使用して、LLMコンテキストウィンドウの外で全地理空間出力と型付きメタデータを永続化し、エージェントはコンパクトな識別子と要約を交換する。
また,多段階地理空間推論,クロスソース統合,ラスタベクター計算,アーティファクト生成,非厳密な真実の下での回復を評価するために,実際の災害記録をベースとした40タスクベンチマークであるGeoFaham-Benchを紹介した。
我々はGeoFaham on GeoFaham-Benchを、Codex、Claude Code、OpenCodeなど、強力な汎用コーディングエージェントベースラインに対して評価する。
GeoFaham は 0.940 のスコアと 0.879 のスコアで最高のパフォーマンスを達成し、トークンの7.5 倍も少ない。
私たちのコードとベンチマークはhttps://github.com/microsoft/GeoFaham.orgで公開されています。
関連論文リスト
- Enhancing Geometric Perception in VLMs via Translator-Guided Reinforcement Learning [52.075928878249066]
視覚誘導モデル(VLM)は、基本的な図形要素の認識が限られているため、幾何学的推論に苦しむことが多い。
ドメイン固有の言語表現と組み合わせたダイアグラムインスタンスからなるベンチマークであるGeoPerceiveを紹介する。
翻訳者強化学習フレームワークGeoDPOを提案する。
論文 参考訳(メタデータ) (2026-02-26T07:28:04Z) - GeoAnalystBench: A GeoAI benchmark for assessing large language models for spatial analysis workflow and code generation [32.22754624992446]
実世界の地理空間問題から派生したPythonベースのタスク50のベンチマークであるGeoAnalystBenchを紹介する。
このベンチマークを用いて、プロプライエタリモデルとオープンソースモデルの両方を評価します。
ChatGPT-4o-miniのようなプロプライエタリなモデルは95%の妥当性とより強力なコードアライメントを実現します。
論文 参考訳(メタデータ) (2025-09-07T00:51:57Z) - TrustGeoGen: Formal-Verified Data Engine for Trustworthy Multi-modal Geometric Problem Solving [106.04001249574786]
TrustGeoGenは、標準的で信頼性の高いベンチマークを確立するために、正式に検証された幾何問題を生成するデータエンジンである。
1)ダイアグラム,テキスト,ステップバイステップのソリューションの生成を同期するマルチモーダルアライメント,2)すべての推論パスがルール準拠であることを保証する形式検証,3)接続思考,ブリッジング,ヒューマンライクな論理ステップとの論理的推論,4)複数のソリューションと自己回帰バックトラックを備えた多種多様な問題を生成できるTextitGeoExploreシリーズアルゴリズム。
論文 参考訳(メタデータ) (2025-04-22T10:45:23Z) - Towards a Barrier-free GeoQA Portal: Natural Language Interaction with Geospatial Data Using Multi-Agent LLMs and Semantic Search [2.9658923973538034]
地理空間データとのシームレスな自然言語インタラクションのための多エージェント大規模言語モデルフレームワークを用いたGeoQAポータルを提案する。
ケーススタディ、評価、およびユーザテストは、非専門家、GIS複雑性のブリッジング、パブリックアクセスに対する有効性を確認します。
論文 参考訳(メタデータ) (2025-03-18T13:39:46Z) - Geolocation with Real Human Gameplay Data: A Large-Scale Dataset and Human-Like Reasoning Framework [59.42946541163632]
3つの重要なコンポーネントを持つ包括的位置決めフレームワークを導入する。
大規模データセットGeoComp、新しい推論手法GeoCoT、評価指標GeoEval。
また,GeoCoTは解釈可能性を高めつつ,位置情報の精度を最大25%向上させることを示した。
論文 参考訳(メタデータ) (2025-02-19T14:21:25Z) - Geo-FuB: A Method for Constructing an Operator-Function Knowledge Base for Geospatial Code Generation Tasks Using Large Language Models [0.5242869847419834]
本研究では,地理空間記述のセマンティクスを活用して,そのような知識基盤を構築するためのフレームワークを提案する。
サンプルの知識ベースであるGeo-FuBは154,075のGoogle Earth Engineスクリプトで構築されており、GitHubで公開されている。
論文 参考訳(メタデータ) (2024-10-28T12:50:27Z) - An LLM Agent for Automatic Geospatial Data Analysis [5.842462214442362]
大規模言語モデル(LLM)は、データサイエンスコード生成タスクで使われている。
複雑なデータ構造と空間的制約を組み込むのが困難であるため,空間空間データ処理への応用は困難である。
ジオアジェント(GeoAgent)は,LLMが地理空間データ処理をより効率的に処理できるように設計された対話型フレームワークである。
論文 参考訳(メタデータ) (2024-10-24T14:47:25Z) - GeoGPT: Understanding and Processing Geospatial Tasks through An
Autonomous GPT [6.618846295332767]
GISの意思決定者は、空間的タスクを解決するために、一連の空間的アルゴリズムと演算を組み合わせる必要がある。
我々は,地理空間データ収集,処理,解析を自律的に行うことのできるGeoGPTと呼ばれる新しいフレームワークを開発した。
論文 参考訳(メタデータ) (2023-07-16T03:03:59Z) - MGeo: Multi-Modal Geographic Pre-Training Method [49.78466122982627]
マルチモーダルジオグラフィック言語モデル(MGeo)を提案する。
MGeoはGCを新しいモダリティとして表現し、正確なクエリ-POIマッチングのためのマルチモーダル相関を完全に抽出することができる。
提案するマルチモーダル事前学習法は,汎用PTMのクエリ-POIマッチング能力を大幅に向上させることができる。
論文 参考訳(メタデータ) (2023-01-11T03:05:12Z)
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。