UrbanDS는 대규모·다출처이면서 복잡한 공간·시간·의미 관계를 갖는 도시 데이터 과학 과제를 위한 그래프 기반 LLM 다중 에이전트 시스템으로, 데이터 프로파일링 에이전트가 각 데이터셋의 스킬을 구축하고 관계 에이전트가 데이터셋 간 관계를 식별해 통합 데이터셋 그래프를 구성한다. 실행 시 플래너 에이전트가 그래프에서 과제 관련 데이터셋을 검색해 실행 계획을 생성하고, 여러 실행 에이전트가 데이터 처리·분석을 수행하며 진행 상황과 중간 결과를 공유 메모리로 교환하고, 리포트 에이전트가 실험 로그를 종합해 사용자 피드백 기반으로 보고서를 정교화한다. 대표적 도시 데이터 과학 벤치마크 UrbanDS-Bench를 구축해 평가한 결과 일반·도시 벤치마크 모두에서 기존 데이터 과학 에이전트를 일관되게 능가했으며, 중국 우한 둥시후구의 실제 도시 운영 플랫폼에 배포돼 실세계 효과성을 입증했다.
- •데이터 프로파일링·관계 에이전트가 구축한 통합 데이터셋 그래프 기반 다중 에이전트 시스템
- •플래너·실행·리포트 에이전트가 공유 메모리로 연계된 end-to-end 도시 데이터 과학 워크플로
- •UrbanDS-Bench 벤치마크에서 일반·도시 과제 모두 기존 에이전트 일관되게 능가
- •중국 우한 둥시후구 실제 도시 운영 플랫폼에 배포돼 실세계 효과성 입증
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
UrbanDS: A Graph-Guided LLM Multi-Agent System for Data-Intensive Urban Tasks
본문 미리보기
arXiv:2607.26724v1 Announce Type: new 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-so
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 10:49AI 초안

