論文の概要: EvidFuse: Writing-Time Evidence Learning for Consistent Text-Chart Data Reporting

• arxiv url: http://arxiv.org/abs/2601.05487v1
• Date: Fri, 09 Jan 2026 02:41:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 14:30:44.002799
• Title: EvidFuse: Writing-Time Evidence Learning for Consistent Text-Chart Data Reporting
• Title（参考訳）: EvidFuse: 一貫性のあるテキストチャートデータレポートのための記述時間エビデンス学習
• Authors: Huanxiang Lin, Qianyue Wang, Jinwu Hu, Bailin Chen, Qing Du, Mingkui Tan,
• Abstract要約: データ駆動型レポートのためのテキストチャートインターリーブ生成のためのトレーニング不要なマルチエージェントフレームワークである textbfEvidFuse を提案する。 EvidFuseは2つの協力的なコンポーネントを通じて、長い形式のドラフトから可視化分析を分離する。 LLM-as-a-judgeと人によるチャート品質評価、チャートテキストアライメント、レポートレベルの有用性の両方において、トップランクを獲得している。
• 参考スコア（独自算出の注目度）: 31.185433601906738
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data-driven reports communicate decision-relevant insights by tightly interleaving narrative text with charts grounded in underlying tables. However, current LLM-based systems typically generate narratives and visualizations in staged pipelines, following either a text-first-graph-second or a graph-first-text-second paradigm. These designs often lead to chart-text inconsistency and insight freezing, where the intermediate evidence space becomes fixed and the model can no longer retrieve or construct new visual evidence as the narrative evolves, resulting in shallow and predefined analysis. To address the limitations, we propose \textbf{EvidFuse}, a training-free multi-agent framework that enables writing-time text-chart interleaved generation for data-driven reports. EvidFuse decouples visualization analysis from long-form drafting via two collaborating components: a \textbf{Data-Augmented Analysis Agent}, equipped with Exploratory Data Analysis (EDA)-derived knowledge and access to raw tables, and a \textbf{Real-Time Evidence Construction Writer} that plans an outline and drafts the report while intermittently issuing fine-grained analysis requests. This design allows visual evidence to be constructed and incorporated exactly when the narrative requires it, directly constraining subsequent claims and enabling on-demand expansion of the evidence space. Experiments demonstrate that EvidFuse attains the top rank in both LLM-as-a-judge and human evaluations on chart quality, chart-text alignment, and report-level usefulness.
• Abstract（参考訳）: データ駆動レポートは、下層の表にグラフを置き、物語のテキストをしっかりとインターリーブすることで、意思決定に関連する洞察を伝達する。 しかしながら、現在のLLMベースのシステムは、通常、テキストファーストグラフ秒またはグラフファーストテキスト秒のパラダイムに従って、ステージ化されたパイプラインで物語や視覚化を生成する。 これらのデザインは、しばしばチャートテキストの不整合と洞察凍結につながり、中間的なエビデンス空間が固定され、モデルは物語が進化するにつれて新たな視覚的エビデンスを回収または構築できなくなり、浅い、事前定義された分析をもたらす。 この制限に対処するため,データ駆動型レポートのテキストチャートインターリーブ生成を可能にするトレーニング不要なマルチエージェントフレームワークである‘textbf{EvidFuse} を提案する。 EvidFuseは、探索データ分析(EDA)に基づく知識と生のテーブルへのアクセスを備えた、協力的な2つのコンポーネントによる長期ドラフトからの可視化分析と、詳細な分析要求を断続的に発行しながら、アウトラインを計画し、レポートをドラフトする \textbf{Real-Time Evidence Construction Writer} を分離する。 この設計により、物語が必要とするときに視覚的エビデンスを構築し、組み込むことができ、その後のクレームを直接拘束し、エビデンス空間のオンデマンド拡張を可能にする。 実験により、EvidFuseはLLM-as-a-judgeと人によるチャート品質評価、チャートテキストアライメント、レポートレベルの有用性の両方でトップランクに達していることが示された。

関連論文リスト

• A2P-Vis: an Analyzer-to-Presenter Agentic Pipeline for Visual Insights Generation and Reporting [18.60614431401904]
  A2P-Visは、生のデータセットを高品質なデータビジュアライゼーションレポートに変換する、2部構成のマルチエージェントパイプラインである。 Data Analyzerはプロファイリングを編成し、多様な視覚化方向を提案し、プロットコードを生成し、実行し、チェッカーで低品質のフィギュアをフィルタリングし、候補者の洞察を引き出す。 その後、プレゼンターはトピックを注文し、トップランクの洞察からグラフで構築された物語を作成し、正当化された遷移を書き、明確さと一貫性のために文書を改訂する。
  論文  参考訳（メタデータ） (2025-12-26T18:02:12Z)
• MonkeyOCR v1.5 Technical Report: Unlocking Robust Document Parsing for Complex Patterns [80.05126590825121]
  MonkeyOCR v1.5は、レイアウト理解とコンテンツ認識の両方を強化する統合ビジョン言語フレームワークである。 複雑なテーブル構造に対処するために,視覚的整合性に基づく強化学習手法を提案する。 2つの特別なモジュール、Image-Decoupled Table ParsingとType-Guided Table Mergingを導入し、テーブルの信頼性の高いパースを可能にする。
  論文  参考訳（メタデータ） (2025-11-13T15:12:17Z)
• Graphy'our Data: Towards End-to-End Modeling, Exploring and Generating Report from Raw Data [5.752510084651565]
  Graphyは、データモデリング、探索、高品質なレポート生成を自動化するエンドツーエンドプラットフォームである。 文献調査のシナリオをどのように促進するかを示す,5万を越える論文(参考資料を含む)の事前スクラップグラフを紹介します。
  論文  参考訳（メタデータ） (2025-02-24T06:10:49Z)
• Unstructured Evidence Attribution for Long Context Query Focused Summarization [53.08341620504465]
  固定粒度の場合よりも、より関連性が高く一貫した証拠を得るために、非構造的(すなわち任意の長さのスパン)な証拠を抽出することを提案する。 既存のシステムが、非構造的証拠をコピーし、適切に引用するのにどのように苦労しているかを示す。
  論文  参考訳（メタデータ） (2025-02-20T09:57:42Z)
• Doc2SoarGraph: Discrete Reasoning over Visually-Rich Table-Text Documents via Semantic-Oriented Hierarchical Graphs [79.0426838808629]
  視覚的にリッチなテーブルテキスト文書に答えるTAT-DQAを提案する。 具体的には、離散推論機能を強化した新しいDoc2SoarGraphフレームワークを提案する。 我々は,TAT-DQAデータセットに関する広範な実験を行い,提案したフレームワークは,テストセット上でのエクサクティマッチ(EM)とF1スコアでそれぞれ17.73%,F1スコアで16.91%の最高のベースラインモデルを上回る結果を得た。
  論文  参考訳（メタデータ） (2023-05-03T07:30:32Z)
• BASS: Boosting Abstractive Summarization with Unified Semantic Graph [49.48925904426591]
  BASSは、統合されたセマンティックグラフに基づく抽象的な要約を促進するためのフレームワークである。 文書表現と要約生成の両方を改善するために,グラフベースのエンコーダデコーダモデルを提案する。 実験結果から,提案アーキテクチャは長期文書および複数文書要約タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2021-05-25T16:20:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。