論文の概要: Explanova: Automatically Discover Data Insights in N \times M Table via XAI Combined LLM Workflow

• arxiv url: http://arxiv.org/abs/2601.12317v1
• Date: Sun, 18 Jan 2026 09:00:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.571113
• Title: Explanova: Automatically Discover Data Insights in N \times M Table via XAI Combined LLM Workflow
• Title（参考訳）: Explanova: XAIとLLMを組み合わせたワークフローを通じて、N \times Mテーブルでデータインサイトを自動的に発見する
• Authors: Yiming Huang,
• Abstract要約: DeepAnalyze、DataSage、Datawiseはすべて、自動きめ細かい分析のための強力なエージェントフレームワークです。 私たちのExplanovaは、ローカルな小さなLSMのため、そのような試みです。
• 参考スコア（独自算出の注目度）: 11.5520232560447
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automation in data analysis has been a long-time pursuit. Current agentic LLM shows a promising solution towards it. Like DeepAnalyze, DataSage, and Datawise. They are all powerful agentic frameworks for automatic fine-grained analysis and are powered by LLM-based agentic tool calling ability. However, what about powered by a preset AutoML-like workflow? If we traverse all possible exploration, like Xn itself`s statistics, Xn1-Xn2 relationships, Xn to all other, and finally explain? Our Explanova is such an attempt: Cheaper due to a Local Small LLM.
• Abstract（参考訳）: データ分析における自動化は、長年にわたって追求されてきた。 現在のエージェントLLMは、それに対する有望な解決策を示している。 DeepAnalyze、DataSage、Datawiseのように。 これらはすべて、自動きめ細かな分析のための強力なエージェントフレームワークであり、LLMベースのエージェントツール呼び出し機能を利用している。 しかし、プリセットされたAutoMLのようなワークフローで動くことについてはどうだろう? Xn 自体の統計、Xn1-Xn2 の関係、Xn と他のすべての関係など、あらゆる可能な探索を行えば、最終的に説明できますか? 私たちのExplanovaは、ローカルな小さなLSMによるチーパー(Cheaper)という試みです。

関連論文リスト

• LightAutoDS-Tab: Multi-AutoML Agentic System for Tabular Data [11.314889511528994]
  表データを用いたタスクのためのマルチオートMLエージェントシステムであるLightAutoDS-Tabを紹介する。 当社のアプローチはパイプライン設計の柔軟性と堅牢性を改善し、最先端のオープンソースソリューションよりも優れています。
  論文  参考訳（メタデータ） (2025-07-17T09:33:24Z)
• AIRepr: An Analyst-Inspector Framework for Evaluating Reproducibility of LLMs in Data Science [8.281093505963158]
  大規模言語モデル(LLM)は、実行可能なコード生成を通じてデータ分析を自動化するために、ますます使われるようになっている。 本稿では,LLM生成データ分析の自動評価と改善のための分析・検査フレームワークであるAIReprについて述べる。
  論文  参考訳（メタデータ） (2025-02-23T01:15:50Z)
• AutoML-Agent: A Multi-Agent LLM Framework for Full-Pipeline AutoML [56.565200973244146]
  自動機械学習(Automated Machine Learning, ML)は、開発パイプライン内のタスクを自動化することによって、AI開発を加速する。 近年の作業では,そのような負担を軽減するために,大規模言語モデル(LLM)の利用が始まっている。 本稿では,フルパイプのAutoMLに適した新しいマルチエージェントフレームワークであるAutoML-Agentを提案する。
  論文  参考訳（メタデータ） (2024-10-03T20:01:09Z)
• Spider2-V: How Far Are Multimodal Agents From Automating Data Science and Engineering Workflows? [73.81908518992161]
  我々は、プロのデータサイエンスとエンジニアリングに焦点を当てた最初のマルチモーダルエージェントベンチマークであるSpider2-Vを紹介する。 Spider2-Vは、本物のコンピュータ環境における現実世界のタスクを特徴とし、20のエンタープライズレベルのプロフェッショナルアプリケーションを組み込んでいる。 これらのタスクは、エンタープライズデータソフトウェアシステムにおいて、コードを書き、GUIを管理することで、マルチモーダルエージェントがデータ関連のタスクを実行する能力を評価する。
  論文  参考訳（メタデータ） (2024-07-15T17:54:37Z)
• Get my drift? Catching LLM Task Drift with Activation Deltas [55.75645403965326]
  タスクドリフトは攻撃者がデータを流出させたり、LLMの出力に影響を与えたりすることを可能にする。 そこで, 簡易線形分類器は, 分布外テストセット上で, ほぼ完全なLOC AUCでドリフトを検出することができることを示す。 このアプローチは、プロンプトインジェクション、ジェイルブレイク、悪意のある指示など、目に見えないタスクドメインに対して驚くほどうまく一般化する。
  論文  参考訳（メタデータ） (2024-06-02T16:53:21Z)
• Optimizing LLM Queries in Relational Data Analytics Workloads [50.95919232839785]
  バッチデータ分析は、Large Language Models(LLMs)の急成長するアプリケーションである LLMは、分類、エンティティ抽出、翻訳などの幅広い自然言語タスクを、大規模なデータセット上で実行可能にする。 本稿では,LLMコールによるリレーショナルデータ解析処理のコストを大幅に削減できる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-03-09T07:01:44Z)
• Data-Centric Financial Large Language Models [27.464319154543173]
  大規模言語モデル(LLM)は自然言語のタスクを約束するが、金融のような複雑なドメインに直接適用した場合に苦労する。 我々は、LLMが金融業務をよりうまく扱えるようにするために、データ中心のアプローチを提案する。
  論文  参考訳（メタデータ） (2023-10-07T04:53:31Z)
• SEED: Domain-Specific Data Curation With Large Language Models [22.54280367957015]
  LLM-as-compilerアプローチであるSEEDは,Large Language Models(LLM)を介して,ドメイン固有のデータキュレーションソリューションを自動的に生成する。 SEEDは、4つのLCMアシストモジュールから自動的に選択し、そのタスクに最も適したハイブリッド実行パイプラインを形成する。
  論文  参考訳（メタデータ） (2023-10-01T17:59:20Z)

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。