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.

From Perceptions to Decisions: Wildfire Evacuation Decision Prediction with Behavioral Theory-informed LLMs

Created by
  • Haebom

저자

Ruxiao Chen, Chenguang Wang, Yuran Sun, Xilei Zhao, Susu Xu

개요

본 논문은 대형 언어 모델(LLM) 기반의 새로운 프레임워크인 FLARE를 제시합니다. FLARE는 산불 대피 결정 예측을 위해 행동 이론 및 모델을 통합하여 Chain-of-Thought(CoT) 추론을 간소화하고, 기억 기반 강화 학습(RL) 모듈과 통합하여 정확한 대피 결정 예측 및 이해를 제공합니다. 기존의 통계적 방법이 개인의 복잡하고 다양한 행동 논리를 포착하지 못하는 한계를 극복하기 위해, LLM을 활용하여 제한된 설문 조사 데이터, 행동 이론과의 불일치, 상충되는 개인적 선호도, 암시적이고 복잡한 정신 상태, 그리고 다루기 어려운 정신 상태-행동 매핑과 같은 문제들을 해결합니다. 세 개의 산불 후 설문 조사 데이터셋에 대한 실험 결과, 기존의 이론에 기반한 행동 모델에 비해 평균 20.47%의 성능 향상을 보였으며, 이벤트 간 일반화 성능 또한 우수함을 확인했습니다. 소스 코드는 공개적으로 제공됩니다.

시사점, 한계점

시사점:
LLM을 활용하여 산불 대피 결정 예측의 정확도를 향상시킬 수 있는 새로운 프레임워크 FLARE 제시.
기존 통계적 방법의 한계를 극복하고, 개인의 복잡한 행동 논리를 효과적으로 모델링.
행동 이론과 강화 학습을 통합하여 예측의 신뢰성 및 설명력 향상.
우수한 이벤트 간 일반화 성능을 통해 다양한 산불 상황에 적용 가능성 제시.
공개된 소스 코드를 통해 재현성 및 확장성 확보.
한계점:
사용된 데이터셋의 규모 및 다양성에 대한 추가적인 검토 필요.
실제 산불 상황에서의 FLARE 성능 검증 필요.
LLM의 추론 과정에 대한 투명성 및 해석력 향상 필요.
다양한 유형의 산불 및 대피 상황에 대한 일반화 성능 추가 연구 필요.
👍