UrbanAgent: Multi-Agent reasoning for urban profiling

Команда исследователей во главе с Сун Гао (Song Gao) представила UrbanAgent — новую архитектуру для урбанистических вычислений, принятую к публикации на конференции KDD 2026. Система переосмысливает задачу профилирования городских районов: вместо традиционного слияния гетерогенных данных в латентные векторы, UrbanAgent использует многоагентное сотрудничество для логического вывода.

Проблема старых подходов

Существующие методы (multimodal representation learning) часто страдают от двух критических недостатков: они опираются на корреляции, а не на причинно-следственные связи, и предполагают идеальную согласованность между модальностями (спутниковыми снимками, POI, текстом). Это делает их хрупкими при работе с новыми или гетерогенными городами, где данные могут противоречить друг другу.

Решение UrbanAgent

Архитектура создает независимого агента для каждой модальности данных. Ключевые инновации:

• Коллаборативное рассуждение: Агенты явно разрешают противоречия между модальностями, а не игнорируют их.
• Tool-Augmented Evidence: Процесс предсказания замкнут. Агенты используют внешние инструменты для активного поиска доказательств (retrieval), если уверенность низкая.
• Reinforcement Learning: Процесс поиска и верификации оптимизируется через обучение с подкреплением.

Результаты и метрики

Эксперименты проводились на глобальных наборах данных для оценки выбросов углерода, ВВП и населения. UrbanAgent демонстрирует стабильное превосходство над базовыми моделями, особенно в сценариях "unseen-city" (города, не встречавшиеся в обучении).

Работа авторов (Xixuan Hao, Yutian Jiang, Jiabo Liu, Yihang Yang, Guangyin Jin, Song Gao, Yuxuan Liang) открывает путь к более надежным системам мониторинга городской среды, способным адаптироваться к недостатку или шуму в данных.

Источник: arXiv cs.AI ↗