論文の概要: DataSTORM: Deep Research on Large-Scale Databases using Exploratory Data Analysis and Data Storytelling
- arxiv url: http://arxiv.org/abs/2604.06474v1
- Date: Tue, 07 Apr 2026 21:19:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-09 17:30:51.249232
- Title: DataSTORM: Deep Research on Large-Scale Databases using Exploratory Data Analysis and Data Storytelling
- Title（参考訳）: DataSTORM: 探索的データ分析とデータストーリーテリングを用いた大規模データベースの研究
- Authors: Shicheng Liu, Yucheng Jiang, Sajid Farook, Camila Nicollier Sanchez, David Fernando Castro Pena, Monica S. Lam,
- Abstract要約: 大規模言語モデル(LLM)エージェントによる深層研究は、多段階情報発見、合成、分析のための強力なパラダイムとして現れつつある。
大規模構造化データベースとインターネットソースの両方で自律的に研究を行うことができるLLMベースのエージェントシステムであるDataSTORMを提案する。
- 参考スコア（独自算出の注目度）: 14.06777929544216
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep research with Large Language Model (LLM) agents is emerging as a powerful paradigm for multi-step information discovery, synthesis, and analysis. However, existing approaches primarily focus on unstructured web data, while the challenges of conducting deep research over large-scale structured databases remain relatively underexplored. Unlike web-based research, effective data-centric research requires more than retrieval and summarization and demands iterative hypothesis generation, quantitative reasoning over structured schemas, and convergence toward a coherent analytical narrative. In this paper, we present DataSTORM, an LLM-based agentic system capable of autonomously conducting research across both large-scale structured databases and internet sources. Grounded in principles from Exploratory Data Analysis and Data Storytelling, DataSTORM reframes deep research over structured data as a thesis-driven analytical process: discovering candidate theses from data, validating them through iterative cross-source investigation, and developing them into coherent analytical narratives. We evaluate DataSTORM on InsightBench, where it achieves a new state-of-the-art result with a 19.4% relative improvement in insight-level recall and 7.2% in summary-level score. We further introduce a new dataset built on ACLED, a real-world complex database, and demonstrate that DataSTORM outperforms proprietary systems such as ChatGPT Deep Research across both automated metrics and human evaluations.
- Abstract（参考訳）: 大規模言語モデル(LLM)エージェントによる深層研究は、多段階情報発見、合成、分析のための強力なパラダイムとして現れつつある。
しかし、既存のアプローチは主に構造化されていないWebデータに重点を置いている。
ウェブベースの研究とは異なり、効果的なデータ中心の研究には、検索と要約以上のものが必要であり、反復的仮説生成、構造化スキーマに対する定量的推論、一貫性のある分析的物語への収束が必要である。
本稿では,LLMをベースとしたエージェントシステムであるDataSTORMについて述べる。
探索的データ分析とデータストーリテリングの原則に基づいて、DataSTORMは、構造化されたデータに関する深い研究を、論文駆動の分析プロセスとして再編成する。
我々はInsightBench上でDataSTORMを評価し、インサイトレベルのリコールが19.4%改善し、要約レベルのスコアが7.2%向上した。
さらに、実世界の複雑なデータベースACLED上に構築された新しいデータセットを導入し、自動メトリクスと人的評価の両方で、ChatGPT Deep Researchのようなプロプライエタリなシステムより優れていることを示す。
関連論文リスト
- DeepAnalyze: Agentic Large Language Models for Autonomous Data Science [35.69385623867138]
我々は、自律データサイエンス用に設計された最初のエージェントであるDeepAnalyze-8Bを紹介する。
本稿では,人間のデータ科学者の学習軌道をエミュレートするカリキュラムに基づくエージェント・トレーニング・パラダイムを提案する。
また、高品質なトレーニングデータを構成するデータ基底軌道合成フレームワークについても紹介する。
論文 参考訳（メタデータ） (2025-10-19T15:13:42Z) - Analytical Survey of Learning with Low-Resource Data: From Analysis to Investigation [192.53529928861818]
高リソースデータによる学習は人工知能(AI)において大きな成功を収めた
しかし、データアノテーションやモデルトレーニングに関連するコストは依然として大きい。
本調査では,低リソースデータからの学習に伴う一般化誤差とラベル複雑性を分析するために,アクティブサンプリング理論を用いた。
論文 参考訳（メタデータ） (2025-10-10T03:15:42Z) - Scaling Generalist Data-Analytic Agents [95.05161133349242]
DataMindは、汎用データ分析エージェントを構築するために設計されたスケーラブルなデータ合成およびエージェントトレーニングレシピである。
DataMindは、オープンソースのデータ分析エージェントを構築する上で重要な3つの課題に取り組む。
論文 参考訳（メタデータ） (2025-09-29T17:23:08Z) - Multimodal Data Storage and Retrieval for Embodied AI: A Survey [8.079598907674903]
EAI(Embodied AI)エージェントは物理的世界と相互作用し、巨大で異質なマルチモーダルデータストリームを生成する。
EAIの中核となる要件は、物理的グラウンディング、低レイテンシアクセス、動的スケーラビリティである。
私たちの調査は180以上の関連する研究の包括的なレビューに基づいており、堅牢で高性能なデータ管理フレームワークを設計するための厳密なロードマップを提供しています。
論文 参考訳（メタデータ） (2025-08-19T15:04:02Z) - DatasetResearch: Benchmarking Agent Systems for Demand-Driven Dataset Discovery [26.388978716803464]
AIエージェントは、通常の検索を超越して、特定のユーザ要求を満たすデータセットを体系的に検出できるだろうか?
我々のベンチマークと包括的な分析は、次世代の自己改善型AIシステムの基礎を提供する。
論文 参考訳（メタデータ） (2025-08-09T12:15:08Z) - DiscoveryBench: Towards Data-Driven Discovery with Large Language Models [50.36636396660163]
我々は、データ駆動探索の多段階プロセスを形式化する最初の包括的なベンチマークであるDiscoveryBenchを紹介する。
我々のベンチマークには、社会学や工学などの6つの分野にまたがる264のタスクが含まれている。
私たちのベンチマークでは、自律的なデータ駆動型発見の課題を説明し、コミュニティが前進するための貴重なリソースとして役立ちます。
論文 参考訳（メタデータ） (2024-07-01T18:58:22Z) - Data-Centric AI in the Age of Large Language Models [51.20451986068925]
本稿では,大規模言語モデル(LLM)に着目した,AI研究におけるデータ中心の視点を提案する。
本研究では,LLMの発達段階(事前学習や微調整など)や推論段階(文脈内学習など)において,データが有効であることを示す。
データを中心とした4つのシナリオを特定し、データ中心のベンチマークとデータキュレーション、データ属性、知識伝達、推論コンテキスト化をカバーします。
論文 参考訳（メタデータ） (2024-06-20T16:34:07Z) - CMDBench: A Benchmark for Coarse-to-fine Multimodal Data Discovery in Compound AI Systems [10.71630696651595]
知識集約的なタスクを達成するエージェントとしてLLMを使用する複合AIシステム(CAS)は、データベースやAIコミュニティにおいて大きな関心を集めている。
マルチモーダルデータソースのサイロは、そのタスクを達成するための適切なデータソースを特定するのを困難にしている。
我々はエンタープライズデータプラットフォームの複雑さをモデル化したベンチマークであるCMDBenchを提案する。
論文 参考訳（メタデータ） (2024-06-02T01:10:41Z) - DACO: Towards Application-Driven and Comprehensive Data Analysis via Code Generation [83.30006900263744]
データ分析は、詳細な研究と決定的な洞察を生み出すための重要な分析プロセスである。
LLMのコード生成機能を活用した高品質な応答アノテーションの自動生成を提案する。
我々のDACO-RLアルゴリズムは、57.72%のケースにおいて、SFTモデルよりも有用な回答を生成するために、人間のアノテータによって評価される。
論文 参考訳（メタデータ） (2024-03-04T22:47:58Z) - Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。
我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
論文 参考訳（メタデータ） (2022-07-18T11:38:32Z)
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。