用于城市基础模型的神经符号生成适配器

城市基础模型（UFMs）适配存在挑战，Neuro-Symbolic Generative Adapters（NSyGA）框架通过神经符号生成适配器实现高效微调，将城市任务描述解析为符号表征，结合强化学习动态生成精简适配器参数，在准确率提升9.3%、参数减少29%的同时增强可解释性，适用于资源受限的城市计算场景。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

城市基础模型（UFMs）已成为理解和优化城市系统的强大工具，但将这些大型模型适配到各种城市任务中仍然具有挑战性。本文介绍了神经符号生成适配器（NSyGA），这是一种新颖的参数高效微调（PEFT）框架。NSyGA将符号推理与神经生成策略相结合，动态生成特定于任务的适配器参数。NSyGA将城市任务描述解析为符号表示，通过强化学习学习适应策略，并生成仅修改基础模型必要组件的紧凑适配器参数。通过对真实世界城市数据集的广泛实验，我们证明了NSyGA在准确性（提高了9.3%）、参数效率（降低了29%）和可解释性方面优于现有的参数高效方法。我们对计算复杂性、可扩展性和公平性的全面分析突显了NSyGA在资源受限的城市计算场景中的实际适用性。这种神经符号方法能够更好地泛化到组合新颖的任务，并提供了关于任务特征与适应策略之间关系的见解。

人工智能摘要

人工智能生成的摘要（实验结果）

此摘要是使用自动化工具生成的，未经文章作者的撰写或审核。它旨在帮助发现、评估相关性，并协助来自相关研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍是文章的主要摘要。完整文章是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由人工智能生成的通俗语言摘要，您必须具有高级访问权限。