LLM辅助修正贝叶斯网络结构，提升小样本出行数据生成保真度。
资讯摘要
论文提出LEBGen，一个LLM增强的贝叶斯网络框架，用于小样本出行调查数据生成。LLM先从人口属性与出行行为统计中识别出行者画像，再补全画像增强贝叶斯网络结构遗漏的依赖关系并剪除虚假依赖，最终网络仅用观测数据参数化以生成合成记录。作者报告，在2022年香港出行特征调查2%小样本设置下，平均边际Jensen-Shannon散度由0.0671降至0.0091，平均绝对Cramer's V误差较最佳基线降低14.3%。
要点速读
- 论文提出LLM增强贝叶斯网络框架LEBGen，用LLM识别出行者画像并修正网络结构，参数仅由观测数据估计。
- 在2022年香港出行特征调查2%小样本设置下，平均边际Jensen-Shannon散度从0.0671降至0.0091。
- 作者报告平均绝对Cramer's V误差较最佳基线降低14.3%，分布与依赖关系保真度均有提升。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。