도구 기반 증거를 활용한 다중 에이전트 협력 추론: 도시 지역 프로파일링

Multi-Agent Collaborative Reasoning with Tool-Augmented Evidence for Urban Region Profiling

도시 지역 프로파일링은 인구 예측, 경제 평가 및 환경 모니터링과 같은 다양한 응용 분야를 지원하는 도시 컴퓨팅의 핵심 문제입니다. 기존 방법들은 일반적으로 이 작업을 다중 모드 표현 학습으로 정의하며, 위성 이미지, 관심 지점 정보, 텍스트 설명 및 3D 건물 정보를 포함한 다양한 도시 데이터를 잠재적인 임베딩으로 통합하여 예측을 수행합니다. 그러나 이러한 접근 방식은 주로 상관 관계에 의존하고, 모달 간의 일관성을 가정하며, 정적 파이프라인을 사용하므로 이질적이거나 새로운 도시 지역에서 견고성이 제한됩니다. 본 논문에서는 UrbanAgent라는 에이전트 기반 프레임워크를 제안합니다. UrbanAgent는 도시 지역 프로파일링 문제를 추론 중심의 추론 문제로 재구성하며, 각 데이터 모달리티에 대한 독립적인 에이전트를 생성하고, 구조화된 다중 에이전트 협력 추론을 통해 단일 표현으로 흡수하는 대신 모달 간 불일치를 명시적으로 해결합니다. 또한 UrbanAgent는 지표 예측을 능동적 증거 획득 및 반복적 추론의 폐쇄 루프로 확장하여 에이전트가 강화 학습을 통해 최적화된 외부 지식을 도구 기반 검색을 통해 활용하여 불확실한 추론을 검증할 수 있도록 합니다. 탄소 배출량, GDP 및 인구 예측을 위한 글로벌 도시 데이터 세트에 대한 광범위한 실험 결과, UrbanAgent는 기존의 기준 모델보다 일관되게 성능이 우수하며, 평균적으로 R2 값에서 8.1% 향상을 보였고, 새로운 도시 환경에서도 강력한 일반화 성능을 나타냈습니다.

Urban region profiling constitutes a core problem in urban computing, supporting applications such as population estimation, economic assessment, and environmental monitoring. Existing methods typically formulate this task as multimodal representation learning, fusing heterogeneous urban data, e.g., satellite imagery, points of interest, textual descriptions, and 3D building information, into latent embeddings for prediction. However, these approaches are largely correlation-driven, assume cross-modal consistency, and rely on static pipelines, which limit their robustness in heterogeneous or unseen urban regions. We propose UrbanAgent, an agentic framework that reframes urban region profiling as a reasoning-driven inference problem. UrbanAgent instantiates an independent agent for each data modality and performs structured multi-agent collaborative reasoning to explicitly address cross-modal inconsistencies rather than absorbing them into a single representation. In addition, UrbanAgent extends indicator prediction as a closed-loop process of active evidence acquisition and iterative reasoning, enabling agents to verify uncertain inferences through tool-augmented retrieval of external knowledge optimized via reinforcement learning. Extensive experiments on global urban datasets for Carbon emissions, GDP, and Population estimation show that UrbanAgent consistently outperforms existing baselines, achieving an average improvement of 8.1% in R2, and exhibiting strong generalization performance in unseen-city settings.