論文の概要: Explainable Iterative Data Visualisation Refinement via an LLM Agent

• arxiv url: http://arxiv.org/abs/2604.15319v2
• Date: Wed, 22 Apr 2026 16:15:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:13.823291
• Title: Explainable Iterative Data Visualisation Refinement via an LLM Agent
• Title（参考訳）: LLMエージェントによる説明可能な反復的データの可視化
• Authors: Burak Susam, Tingting Mu,
• Abstract要約: 本稿では,厳密な定量的評価と定性的人間の洞察のギャップを埋めるためのエージェントAIピプレリンを提案する。 本システムでは,ハードメトリクスを記述的な要約でコンテキスト化する多面的レポートを生成する。 完全な自動化で、高速に高品質な視覚化プロットを生成することができる。
• 参考スコア（独自算出の注目度）: 7.143367458097555
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Exploratory analysis of high-dimensional data relies on embedding the data into a low-dimensional space (typically 2D or 3D), based on which visualization plot is produced to uncover meaningful structures and to communicate geometric and distributional data characteristics. However, finding a suitable algorithm configuration, particularly hyperparameter setting, to produce a visualization plot that faithfully represents the underlying reality and encourages pattern discovery remains challenging. To address this challenge, we propose an agentic AI pipleline that leverages a large language model (LLM) to bridge the gap between rigorous quantitative assessment and qualitative human insight. By treating visualization evaluation and hyperparameter optimization as a semantic task, our system generates a multi-faceted report that contextualizes hard metrics with descriptive summaries, and suggests actionable recommendation of algorithm configuration for refining data visualization. By implementing an iterative optimization loop of this process, the system is able to produce rapidly a high-quality visualization plot, in full automation.
• Abstract（参考訳）: 高次元データの探索的分析は、データを低次元空間(典型的には2Dまたは3D)に埋め込むことに依存する。 しかし、基礎となる現実を忠実に表現し、パターン発見を促進する視覚化プロットを生成するのに適したアルゴリズム構成、特にハイパーパラメータ設定を見つけることは、依然として困難である。 この課題に対処するために,大規模言語モデル(LLM)を活用して,厳密な定量的評価と定性的人間の洞察のギャップを埋めるエージェントAIピプレリンを提案する。 可視化評価とハイパーパラメータ最適化をセマンティックタスクとして扱うことにより、記述的な要約でハードメトリクスを文脈化する多面的レポートを生成し、データ視覚化を改良するためのアルゴリズム構成の実用的な推奨を提案する。 このプロセスの反復最適化ループを実装することにより、システムは、完全な自動化で、高速に高品質な可視化プロットを生成することができる。

関連論文リスト

• MURE: Hierarchical Multi-Resolution Encoding via Vision-Language Models for Visual Document Retrieval [111.99106496142474]
  Visual Document Retrieval (VDR)は、微細な視覚的詳細とグローバルな文書構造の両方をキャプチャする表現を必要とする。 既存のVDRモデルは、高解像度文書を処理する際に効率と効率のバランスをとるのに苦労する。 本稿では,X-VisEmbパラダイムを提案する。X-VisEmbパラダイムは,多分解能サンプリングと符号化から,粒度横断的特徴融合から適応的表現蒸留へと進展する。
  論文  参考訳（メタデータ） (2026-03-07T15:17:22Z)
• o-MEGA: Optimized Methods for Explanation Generation and Analysis [1.4113638641649384]
  textbftexttto-megaは、最も効果的な説明可能なAIメソッドを自動的に識別するように設計されたツールである。 自動ファクトチェックシステムにおける透明性の向上を実証する。
  論文  参考訳（メタデータ） (2025-09-30T21:08:36Z)
• Spatial Understanding from Videos: Structured Prompts Meet Simulation Data [89.77871049500546]
  本稿では,事前学習された視覚言語モデルにおける3次元空間推論を,アーキテクチャを変更することなく拡張するための統一的なフレームワークを提案する。 このフレームワークは、複雑なシーンと質問を解釈可能な推論ステップに分解する構造化プロンプト戦略であるSpatialMindと、多様な3Dシミュレーションシーンから構築されたスケーラブルな質問応答データセットであるScanForgeQAを組み合わせる。
  論文  参考訳（メタデータ） (2025-06-04T07:36:33Z)
• An Incremental Non-Linear Manifold Approximation Method [0.0]
  本研究では, GMRA(Geometric Multi-Resolution Analysis) フレームワークを用いて, ストリーミングデータに対する漸進的非線形次元低減法を開発した。 提案手法は,クラスタマップ,PCAベクトル,ウェーブレット係数を漸進的に更新することで,リアルタイムなデータ解析と可視化を可能にする。
  論文  参考訳（メタデータ） (2025-04-12T03:54:05Z)
• In-context Demonstration Matters: On Prompt Optimization for Pseudo-Supervision Refinement [71.60563181678323]
  大規模言語モデル(LLM)は様々なタスクで大きな成功を収めており、生成品質をさらに向上させるためには微調整が必要である場合もある。 これらの課題に対処する直接的な解決策は、教師なしの下流タスクから高信頼のデータを生成することである。 本稿では,プロンプトと全体的な擬似スーパービジョンを両立させる新しい手法,擬似教師付きデモアライメント・アライメント・アライメント・プロンプト・最適化(PAPO)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-04T03:39:28Z)
• Noisy Data Visualization using Functional Data Analysis [14.255424476694946]
  動的プロセスのための関数情報幾何 (FIG) と呼ばれる新しいデータ可視化手法を提案する。 提案手法は,可視化のために設計されたEIGの変種よりも優れていることを示す。 次に、脳波による睡眠活動の測定を可視化するために、我々の手法を使用します。
  論文  参考訳（メタデータ） (2024-06-05T15:53:25Z)
• ShaRP: Shape-Regularized Multidimensional Projections [71.30697308446064]
  本稿では,生成した散布板の視覚的シグネチャをユーザが明示的に制御できる新しいプロジェクション技術,ShaRPを提案する。 ShaRPは次元とデータセットサイズによく対応し、任意の定量的データセットを汎用的に処理する。
  論文  参考訳（メタデータ） (2023-06-01T11:16:58Z)
• Information-Theoretic Odometry Learning [83.36195426897768]
  生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。 提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
  論文  参考訳（メタデータ） (2022-03-11T02:37:35Z)
• Scalable semi-supervised dimensionality reduction with GPU-accelerated EmbedSOM [0.0]
  BlosSOMは高次元データセットの対話型ユーザステアブル可視化のための高性能半教師付き次元減少ソフトウェアである。 現実的なデータセットにBlosSOMを適用することで、ユーザが指定したレイアウトを組み込んだ高品質な視覚化と、特定の機能に集中することが可能になる。
  論文  参考訳（メタデータ） (2022-01-03T15:06:22Z)

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。