详细内容或原文请订阅后点击阅览
专访 Sukanya Mandal：合成智慧城市智能的多模态知识图
Sukanya Mandal 和 Noel O’Connor 在 AAAI 秋季研讨会系列上发表的论文《LLMasMMKG：LLM Assisted Synthetic Multi-Modal Knowledge Graph Creation For Smart City Cognitive Digital Twins》中介绍了一种利用大型语言模型来自动构建专为智慧城市认知设计的综合多模态知识图的方法 [...]
来源:ΑΙhubSukanya Mandal 和 Noel O’Connor 在 AAAI 秋季研讨会系列上发表的论文《LLMasMMKG：LLM Assisted Synthetic Multi-Modal Knowledge Graph Creation For Smart City Cognitive Digital Twins》中介绍了一种利用大型语言模型来自动构建专为智慧城市认知数字孪生设计的综合多模态知识图的方法。在这里，Sukanya 向我们详细介绍了认知数字孪生、它们采用的框架以及一些关键结果。
您能否首先介绍一下智慧城市认知数字孪生的概念以及为什么这是一个有趣的研究领域？
城市变得越来越复杂和相互关联，需要复杂的管理工具。认知数字孪生 (CDT) 充当人工智能支持的虚拟副本，可对物理和社会系统的动态相互作用进行建模，从而实现模拟、预测和优化操作。与仅反映物理结构的传统数字孪生不同，CDT 通过来自交通传感器、医疗保健系统、能源网格和社交媒体的综合见解进行推理，以预测交通拥堵与医院就诊增加之间的关联等问题。
传统的结构化数据方法难以处理定义城市生态系统的语义关系。知识图（KG）通过表示高度连接的系统来解决这个问题，并且具有对决策者至关重要的可解释性。
您能谈谈您在论文中介绍的方法吗？
一项关键创新是利用法学硕士驱动的合成数据生成来克服真实城市数据集中的稀疏性、隐私风险和偏差。这种可重用、可扩展的协调器管道很容易适应新的模式。
是什么让多模态知识图谱成为解决创建智慧城市认知数字孪生问题的好工具？
您是如何实施该方法的？
您获得了哪些主要成果？
您能谈谈这项工作的未来计划吗？
标签：