Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Where You Go is Who You Are: Behavioral Theory-Guided LLMs for Inverse Reinforcement Learning

Created by
  • Haebom

저자

Yuran Sun, Susu Xu, Chenguang Wang, Xilei Zhao

개요

본 논문은 대규모 이동 데이터의 활용성을 제한하는 사회인구학적 정보 부족 문제를 해결하기 위해, LLM(대규모 언어 모델) 기반 역강화학습(IRL)과 인지 연쇄 추론(CCR)을 활용한 사회인구학적 속성 추론 프레임워크인 SILIC을 제시합니다. SILIC은 계획 행동 이론(TPB)에 기반하여 개인의 잠재적 인지 과정을 모델링하고, LLM을 통해 역강화학습의 보상 함수 초기화 및 업데이트 과정을 개선하여 사회인구학적 속성을 예측합니다. 2017년 Puget Sound Regional Council Household Travel Survey 데이터를 사용한 실험 결과, 기존 방법보다 성능이 크게 향상됨을 보였습니다.

시사점, 한계점

•
시사점:
◦
LLM을 활용하여 이동 패턴으로부터 사회인구학적 속성을 보다 정확하게 예측하는 새로운 방법 제시.
◦
계획 행동 이론(TPB)을 기반으로 인지 과정을 명시적으로 모델링하여 예측 정확도 향상.
◦
LLM의 휴리스틱 가이드를 통해 역강화학습의 어려움 해결.
◦
교통 계획 등 다양한 분야에서 대규모 이동 데이터 활용성 증대 가능성 제시.
•
한계점:
◦
제안된 방법의 일반화 성능에 대한 추가적인 검증 필요.
◦
특정 지역의 데이터셋에 대한 평가 결과이므로 다른 지역으로의 일반화 가능성에 대한 추가 연구 필요.
◦
LLM의 해석 가능성 및 편향 문제에 대한 고찰 필요.
◦
계획 행동 이론의 가정에 대한 의존성 및 한계 고려 필요.
👍
Made with Slashpage