論文の概要: yProv4DV: Reproducible Data Visualization Scripts Out of the Box

• arxiv url: http://arxiv.org/abs/2603.20437v1
• Date: Fri, 20 Mar 2026 19:06:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.911922
• Title: yProv4DV: Reproducible Data Visualization Scripts Out of the Box
• Title（参考訳）: yProv4DV: 再現可能なデータ可視化スクリプト
• Authors: Gabriele Padovani, Sandro Fiore,
• Abstract要約: 本稿では,再現可能なデータ視覚化スクリプトを実現する軽量ライブラリyProv4DVを提案する。 1回の呼び出しで、ユーザは入力、アウトプット、ソースコードファイルを追跡でき、データの視覚化ソフトの保存と完全な証明が可能になる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While results visualization is a critical phase to the communication of new academic results, plots are frequently shared without the complete combination of code, input data, execution context and outputs required to independently reproduce the resulting figures. Existing reproducibility solutions tend to focus on computational pipelines or workflow management systems, not covering script-based visualization practices commonly used by researchers and practitioners. Additionally, the minimalist nature of current Python data visualization libraries tend to speed up the creation of images, disincentivizing users from spending time integrating additional tools into these short scripts. This paper proposes yProv4DV, a library lightweight designed to enable reproducible data visualization scripts through the use of provenance information, minimizing the necessity for code modifications. Through a single call, users can track inputs, outputs and source code files, enabling saving and full reproducibility of their data visualization software. As a result, this library fills a gap in reproducible research workflows by addressing the reproducibility of plots in scientific publications.
• Abstract（参考訳）: 結果の可視化は新しい学術的な結果のコミュニケーションにとって重要なフェーズであるが、プロットはコード、入力データ、実行コンテキスト、結果の独立に再現するために必要な出力の完全な組み合わせなしに頻繁に共有される。 既存の再現性ソリューションは計算パイプラインやワークフロー管理システムに重点を置いており、研究者や実践者が一般的に使用するスクリプトベースの可視化プラクティスをカバーしていない。 さらに、現在のPythonデータビジュアライゼーションライブラリのミニマリスト的な性質は、イメージの作成をスピードアップする傾向にあり、ユーザはこれらの短いスクリプトに追加ツールを統合するのに時間を費やすのをやめる。 本稿では,コード修正の必要性を最小限に抑えた,再現可能なデータ視覚化スクリプトを実現するためのライブラリyProv4DVを提案する。 1回の呼び出しで、ユーザは入力、アウトプット、ソースコードファイルを追跡でき、データの視覚化ソフトの保存と完全な再現を可能にする。 その結果、この図書館は、学術出版物におけるプロットの再現性に対処することで、再現可能な研究ワークフローのギャップを埋めることになる。

関連論文リスト

• WHAR Datasets: An Open Source Library for Wearable Human Activity Recognition [5.46517570496579]
  我々はWHARデータ処理を簡単にするためのオープンソースライブラリであるWHARデータセットを紹介する。 現在、ライブラリは9つの広く使用されているデータセットをサポートし、PyTorchと統合され、新しいデータセットに簡単にアクセスできる。
  論文  参考訳（メタデータ） (2025-08-12T08:43:30Z)
• Automated Visualization Makeovers with LLMs [0.716879432974126]
  ビジュアライゼーションのフェイルオーバーは、コミュニティがフィードバックを交換してチャートやデータの視覚化を改善する活動である。 マルチモーダル大言語モデル(LLM)はこのタスクをエミュレートできるだろうか? 当社のシステムは,ユーザガイドラインとデータ視覚化プラクティスの潜伏した知識を併用した,事前学習モデルの迅速なエンジニアリングを中心に構築されている。
  論文  参考訳（メタデータ） (2025-07-21T11:51:20Z)
• PlotGen: Multi-Agent LLM-based Scientific Data Visualization via Multimodal Feedback [47.79080056618323]
  PlotGenは、精密な科学的可視化を作成することを目的とした、新しいマルチエージェントフレームワークである。 PlotGenは複数のオーケストレーションを行う。 ブレークするクエリプランニングエージェントを含む、検索エージェント。 複雑なユーザリクエストを実行可能コードにダウンします。 回収フィードバックエージェント 実験によると、PlotGenは強力なベースラインよりも優れており、MateBenchデータセットで46%改善されている。
  論文  参考訳（メタデータ） (2025-02-03T02:00:29Z)
• Generative Timelines for Instructed Visual Assembly [106.80501761556606]
  この研究の目的は、自然言語の指示を通じて視覚的タイムライン(例えばビデオ)を操作することである。 そこで本研究では,教師付き視覚アセンブリタスクの実行を訓練した生成モデルであるTimeline Assemblerを提案する。
  論文  参考訳（メタデータ） (2024-11-19T07:26:30Z)
• Data Formulator 2: Iterative Creation of Data Visualizations, with AI Transforming Data Along the Way [65.48447317310442]
  データフォーミュラ2(英: Data Formulator 2、略称DF2)は、AIを利用した可視化システムである。 DF2はグラフィカルなユーザインタフェースと自然言語入力をブレンドすることで、ユーザがより効果的にインテントを伝達できるようにする。 効率的なイテレーションをサポートするために、DF2はユーザがイテレーション履歴をナビゲートし、以前の設計を再利用する。
  論文  参考訳（メタデータ） (2024-08-28T20:12:17Z)
• DataDreamer: A Tool for Synthetic Data Generation and Reproducible LLM Workflows [72.40917624485822]
  我々は、研究者が強力な大規模言語モデルを実装することができるオープンソースのPythonライブラリであるDataDreamerを紹介した。 DataDreamerはまた、オープンサイエンスを促進するために提案するベストプラクティスに研究者が従うのを助ける。
  論文  参考訳（メタデータ） (2024-02-16T00:10:26Z)
• Using Large Language Models to Generate Engaging Captions for Data Visualizations [51.98253121636079]
  大規模言語モデル(LLM)は、高度なディープラーニング技術を用いて人間のような散文を生成する。 主な課題は、プロンプトエンジニアリングと呼ばれるLLMの最も効果的なプロンプトを設計することである。 我々は,LLM GPT-3を用いた最初の実験について報告し,いくつかの有望な結果を得た。
  論文  参考訳（メタデータ） (2022-12-27T23:56:57Z)
• Advancing Visual Specification of Code Requirements for Graphs [0.0]
  本稿では,機械学習を用いた有意義なデータの可視化に焦点をあてる。 我々は、人文科学研究者が視覚化のプログラム方法を学ぶための障壁を低くするために、ユーザが視覚的にコード要件を指定できるようにします。 ニューラルネットワークと光学文字認識を組み合わせたハイブリッドモデルを用いて、コードを生成して視覚化する。
  論文  参考訳（メタデータ） (2020-07-29T17:01:53Z)

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。