Interpretable Markov-Based Spatiotemporal Risk Surfaces for Missing-Child Search Planning with Reinforcement Learning and LLM-Based Quality Assurance

Created by

Haebom

저자

Joshua Castillo, Ravi Mukkamala

💡 개요

본 논문은 실종 아동 수색 계획의 초기 72시간 골든타임 동안 효과적인 의사결정을 지원하기 위한 시스템 'Guardian'을 제안한다. Guardian은 비정형 데이터를 구조화된 시공간 정보로 변환하고, 예측 모델링을 통해 0-72시간 범위의 확률적 수색 계획을 생성한다. 제안된 3계층 예측 시스템은 해석 가능한 마르코프 연쇄 모델, 강화 학습 기반의 수색 계획 최적화, 그리고 LLM을 활용한 계획 검증 단계를 포함한다.

🔑 시사점 및 한계

•

실종 아동 수색과 같이 긴급하고 중요한 의사결정 문제에 대한 해석 가능한 AI 기반 의사결정 지원 시스템의 가능성을 보여준다.

•

비정형 데이터를 구조화하고, 지리 정보 및 교통망을 통합하여 실제적인 수색 계획을 생성하는 통합 프레임워크를 제시한다.

•

3계층 아키텍처(마르코프 연쇄, 강화 학습, LLM)는 각 단계의 강점을 활용하여 예측 정확성과 계획의 신뢰성을 높일 수 있다.

•

합성 데이터셋을 사용한 검증으로 실제 사건에서의 성능 및 일반화 가능성에 대한 추가적인 연구가 필요하다.

PDF 보기

Made with Slashpage