論文の概要: NL2Dashboard: A Lightweight and Controllable Framework for Generating Dashboards with LLMs
- arxiv url: http://arxiv.org/abs/2601.06126v1
- Date: Sun, 04 Jan 2026 13:26:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-13 19:08:00.595906
- Title: NL2Dashboard: A Lightweight and Controllable Framework for Generating Dashboards with LLMs
- Title（参考訳）: NL2Dashboard: LLMによるダッシュボード生成のための軽量かつ制御可能なフレームワーク
- Authors: Boshen Shi, Kexin Yang, Yuanbo Yang, Guanguang Chang, Ce Chi, Zhendong Wang, Xing Wang, Junlan Feng,
- Abstract要約: ダッシュボード生成のための軽量フレームワークであるNL2Dashboardを提案する。
ダッシュボードの内容、レイアウト、視覚要素をカプセル化する構造化中間表現(IR)を導入する。
この枠組みに基づいて、IR駆動型アルゴリズムを一組のツールとしてインスタンス化するマルチエージェントシステムの開発を行う。
- 参考スコア（独自算出の注目度）: 38.148675833251325
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While Large Language Models (LLMs) have demonstrated remarkable proficiency in generating standalone charts, synthesizing comprehensive dashboards remains a formidable challenge. Existing end-to-end paradigms, which typically treat dashboard generation as a direct code generation task (e.g., raw HTML), suffer from two fundamental limitations: representation redundancy due to massive tokens spent on visual rendering, and low controllability caused by the entanglement of analytical reasoning and presentation. To address these challenges, we propose NL2Dashboard, a lightweight framework grounded in the principle of Analysis-Presentation Decoupling. We introduce a structured intermediate representation (IR) that encapsulates the dashboard's content, layout, and visual elements. Therefore, it confines the LLM's role to data analysis and intent translation, while offloading visual synthesis to a deterministic rendering engine. Building upon this framework, we develop a multi-agent system in which the IR-driven algorithm is instantiated as a suite of tools. Comprehensive experiments conducted with this system demonstrate that NL2Dashboard significantly outperforms state-of-the-art baselines across diverse domains, achieving superior visual quality, significantly higher token efficiency, and precise controllability in both generation and modification tasks.
- Abstract（参考訳）: 大規模言語モデル(LLM)はスタンドアローンチャートの生成に顕著な習熟性を示しているが、包括的なダッシュボードの合成は依然として重大な課題である。
ダッシュボード生成を直接コード生成タスク(例:生HTML)として扱う既存のエンドツーエンドパラダイムでは、視覚的なレンダリングに費やされた大量のトークンによる表現冗長性と、分析的推論とプレゼンテーションの絡み合いによる制御性の2つの基本的な制限が課されている。
これらの課題に対処するため,分析・プレゼン・デカップリングの原理に基づく軽量フレームワークであるNL2Dashboardを提案する。
ダッシュボードの内容、レイアウト、視覚要素をカプセル化する構造化中間表現(IR)を導入する。
したがって、LLMがデータ解析と意図翻訳に果たす役割を限定し、視覚合成を決定論的レンダリングエンジンにオフロードする。
この枠組みに基づいて、IR駆動型アルゴリズムを一組のツールとしてインスタンス化するマルチエージェントシステムの開発を行う。
本システムによる総合的な実験により、NL2Dashboardは、様々な領域にわたる最先端のベースラインを著しく上回り、優れた視覚的品質、トークン効率、生成および修正タスクにおける正確な制御性を実現していることが示された。
関連論文リスト
- LeGend: A Data-Driven Framework for Lemma Generation in Hardware Model Checking [3.5968163492929346]
RTL設計のプロパティチェックは、形式的検証における中心的なタスクである。
グラフ解析のパラダイムを1回に1度のグローバル表現学習に置き換えたLeGendを紹介する。
実験の結果、LeGendは様々なベンチマークで2つの最先端のIC3/PDRエンジンを加速している。
論文 参考訳（メタデータ） (2026-02-27T13:34:48Z) - ViTCoP: Accelerating Large Vision-Language Models via Visual and Textual Semantic Collaborative Pruning [8.933549837045932]
大きなビジョンランゲージモデルは、視覚トークンの冗長性のために高い計算コストを発生させる。
視覚エンコーダの冗長性フィルタリングと大規模言語モデル内の段階的協調処理を組み合わせた視覚的・テキスト的協調処理フレームワーク(ViTCoP)を提案する。
論文 参考訳（メタデータ） (2026-01-25T12:47:30Z) - Revisiting Multi-Task Visual Representation Learning [52.93947931352643]
本稿では,マルチタスク・ビジュアル事前学習フレームワークであるMTVを紹介する。
我々は、高容量の「エキスパート」モデルを利用して、高密度で構造化された擬似ラベルを大規模に合成する。
以上の結果から,MTV が "Best-of-both-worlds" のパフォーマンスを達成できることが示唆された。
論文 参考訳（メタデータ） (2026-01-20T11:59:19Z) - OS-Symphony: A Holistic Framework for Robust and Generalist Computer-Using Agent [58.07447442040785]
私たちはOS-Symphonyを紹介します。これは、堅牢な自動化のための2つの重要なイノベーションをコーディネートするOrchestratorを含む包括的なフレームワークです。
結果は、OS-Symphonyが様々なモデルスケールで大幅なパフォーマンス向上をもたらすことを示した。
論文 参考訳（メタデータ） (2026-01-12T17:55:51Z) - Generative Editing in the Joint Vision-Language Space for Zero-Shot Composed Image Retrieval [11.724675700368316]
Composed Image Retrieval (CIR)は、参照画像とテキスト修正を組み合わせることで、きめ細かいビジュアル検索を可能にする。
マルチモーダルアライメントのために設計された高効率・データ効率の新たな生成編集フレームワークであるFusion-Diffを提案する。
論文 参考訳（メタデータ） (2025-12-01T13:04:55Z) - LTD-Bench: Evaluating Large Language Models by Letting Them Draw [57.237152905238084]
LTD-Benchは、大規模言語モデル(LLM)のブレークスルーベンチマークである。
LLMの評価を抽象的なスコアから直接観察可能な視覚出力に変換する。
LTD-Benchの視覚出力は強力な診断分析を可能にし、モデル類似性を調べるための潜在的アプローチを提供する。
論文 参考訳（メタデータ） (2025-11-04T08:11:23Z) - VisuRiddles: Fine-grained Perception is a Primary Bottleneck for Multimodal Large Language Models in Abstract Visual Reasoning [70.44416154144001]
マルチモーダル大規模言語モデル(MLLM)の最近の進歩は、多くの推論タスクにおいて、その性能を著しく向上させてきた。
AVR(Abstract Visual Reasoning)は、抽象グラフィックの知覚に制限があるため、依然として重要な課題である。
PRSのベンチマークであるVisuRiddlesを提案し、モデルの推論能力を評価するために精巧に構築されたタスクを特徴付ける。
第二に、パーセプチュアル・リドル・シンセサイザー (PRS) を導入する。
論文 参考訳（メタデータ） (2025-06-03T07:24:00Z) - Diffusion Augmented Retrieval: A Training-Free Approach to Interactive Text-to-Image Retrieval [7.439049772394586]
Diffusion Augmented Retrieval (DAR)は、複数の中間表現を生成するフレームワークである。
DARの結果は微調整されたI-TIRモデルと同等だが、チューニングオーバーヘッドは発生しない。
論文 参考訳（メタデータ） (2025-01-26T03:29:18Z) - EMMA: Efficient Visual Alignment in Multi-Modal LLMs [56.03417732498859]
EMMAは、視覚的およびテキスト的エンコーディングを効率的に融合するために設計された軽量なクロスプラットフォームモジュールである。
EMMAは複数のタスクのパフォーマンスを最大9.3%向上させ、幻覚に対する堅牢性を大幅に向上させる。
論文 参考訳（メタデータ） (2024-10-02T23:00:31Z) - Multi-View Empowered Structural Graph Wordification for Language Models [12.22063024099311]
本稿では,LLM-graphアライメントのためのエンドツーエンドのモダリティアライメントフレームワークについて紹介する。
提案手法は LLM とのトークンレベルアライメントを容易にするために設計されており,グラフの内在的' を理解可能な自然言語に効果的に翻訳することができる。
我々のフレームワークは、LLMとGNN間のトークンレベルのアライメントを実現するための、有望な試みである、ある視覚的解釈可能性、効率、堅牢性を保証する。
論文 参考訳（メタデータ） (2024-06-19T16:43:56Z) - EfficientLPS: Efficient LiDAR Panoptic Segmentation [30.249379810530165]
我々は、LiDARポイントクラウドのセグメント化における複数の課題に対処する新しい効率的なLiDARパンオプティクスアーキテクチャを紹介します。
効率的なLPSは、拡張された幾何変換モデリング能力で符号化される新しい共有バックボーンからなる。
提案したモデルを2つの大規模LiDARデータセットでベンチマークする。
論文 参考訳（メタデータ） (2021-02-16T08:14:52Z)
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。