UrbanAgent는 도시 지역 프로파일링을 다중모달 표현 학습이 아닌 추론 주도 문제로 재정의한 에이전트 프레임워크다. 위성영상·POI·텍스트·3D 건물 정보 등 모달리티마다 독립 에이전트를 두고, 모달 간 불일치를 단일 임베딩에 흡수하는 대신 구조화된 다중 에이전트 협업 추론으로 명시적으로 해소한다. 지표 예측을 능동적 증거 수집과 반복 추론의 폐루프로 확장해, 불확실한 추론은 강화학습으로 최적화된 도구 기반 외부 지식 검색으로 검증한다. 전 세계 도시 데이터셋의 탄소 배출·GDP·인구 추정에서 기존 베이스라인을 일관되게 앞서 R² 평균 8.1% 개선했고, 학습에 없던 도시에서도 강한 일반화 성능을 보였다. 상관관계 기반 정적 파이프라인의 한계를 에이전트 추론으로 넘어서려는 도시 컴퓨팅 연구다.

• •도시 지역 프로파일링을 표현 학습이 아닌 추론 주도 문제로 재정의한 UrbanAgent 제안
• •모달리티별 독립 에이전트가 협업 추론으로 모달 간 불일치를 명시적으로 해소
• •강화학습으로 최적화된 도구 기반 외부 지식 검색으로 불확실한 추론을 검증하는 폐루프 구조
• •탄소 배출·GDP·인구 추정에서 R² 평균 8.1% 개선, 미학습 도시에서도 강한 일반화