論文の概要: TwinBI: An Agentic Digital Twin for Efficient Augmented Interactions with Business Intelligence Dashboards

• arxiv url: http://arxiv.org/abs/2606.13731v1
• Date: Thu, 11 Jun 2026 11:49:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.527474
• Title: TwinBI: An Agentic Digital Twin for Efficient Augmented Interactions with Business Intelligence Dashboards
• Title（参考訳）: TwinBI: ビジネスインテリジェンスダッシュボードとの効果的なインタラクションのためのエージェントデジタルツイン
• Authors: Jisoo Jang Wen-Syan Li,
• Abstract要約: 我々は、LLMベースのエージェントシステムと実行可能なBIダッシュボード状態とを結合するエージェントデジタルツインフレームワークであるTwinBIを紹介する。 TwinBIは、統合されたインタラクションログから再構築された共有分析状態を通じて、会話のインタラクション、ダッシュボード操作、セマンティックグラウンド、プロファイランストラッキングを統一する。 ユーザビリティスタディでは、参加者は、タスクの正確性、適度なワークロード、状態認識インタラクションメカニズムの好適な評価を備えた、ダッシュボードとチャットの統合ワークフローの恩恵を受けました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Business intelligence (BI) increasingly combines dashboard interaction with LLM-based assistance, but these two modes often fall out of sync during multi-step analysis. As users switch between direct dashboard manipulation and natural-language queries, it becomes difficult to preserve a consistent analytical state across filters, hierarchies, metrics, and chart context. We present TwinBI, an agentic digital-twin framework that couples an LLM-based agent system with an executable BI dashboard state. TwinBI unifies conversational interaction, dashboard manipulation, semantic grounding, and provenance tracking through a shared analytical state reconstructed from a unified interaction log. It also exposes artifacts such as schema views, SQL, logs, and an /insights command for state-grounded analytical summaries. We evaluate TwinBI in two complementary ways. In a controlled A/B benchmark with the same backbone agent, TwinBI improves exact-match accuracy from 43.3% to 63.3%, partial-credit accuracy from 48.3% to 70.8%, and substantially reduces timeout rate from 40.0% to 10.0% relative to Dashboard alone. In a usability study, participants benefited from the integrated dashboard-and-chat workflow, with high task accuracy, moderate workload, and favorable ratings for state-aware interaction mechanisms. These results suggest that TwinBI improves both agent-level analytical reliability and user-facing analytical support by turning visible dashboard state into richer actionable context. Our dataset and source code are available at: https://github.com/simonjisu/TwinBI
• Abstract（参考訳）: ビジネスインテリジェンス(BI)は、LCMベースのアシストとダッシュボードのインタラクションをますます組み合わせている。 ユーザがダッシュボード操作と自然言語クエリを切り替えると、フィルタ、階層、メトリクス、チャートコンテキスト間で一貫した分析状態を維持することは難しくなる。 我々は、LLMベースのエージェントシステムと実行可能なBIダッシュボード状態とを結合するエージェントデジタルツインフレームワークであるTwinBIを紹介する。 TwinBIは、統合されたインタラクションログから再構築された共有分析状態を通じて、会話のインタラクション、ダッシュボード操作、セマンティックグラウンド、プロファイランストラッキングを統一する。 また、スキーマビュー、SQL、ログ、および/insightsコマンドなどのアーティファクトも公開している。 我々はTwinBIを2つの相補的な方法で評価した。 同じバックボーンエージェントを持つ制御されたA/Bベンチマークでは、TwinBIは正確なマッチ精度を43.3%から63.3%に改善し、部分クレディット精度を48.3%から70.8%に改善し、Dashboard単独と比較してタイムアウトレートを40.0%から10.0%に大幅に低減した。 ユーザビリティスタディでは、参加者は、タスクの正確性、適度なワークロード、状態認識インタラクションメカニズムの好適な評価を備えた、ダッシュボードとチャットの統合ワークフローの恩恵を受けました。 これらの結果から,TwinBIは,目に見えるダッシュボード状態をよりリッチな動作可能なコンテキストにすることで,エージェントレベルの分析信頼性とユーザ向きの分析サポートの両方を改善することが示唆された。 私たちのデータセットとソースコードは、https://github.com/simonjisu/TwinBIで公開されています。

関連論文リスト

• SDG-MoE: Signed Debate Graph Mixture-of-Experts [34.68421562051254]
  ほとんどのMoEアーキテクチャでは、トークンがルーティングされると、選択された専門家が独立してそれを処理し、その出力は重み付けされた和で結合される。 最終集計の前に,軽量かつ反復的な検討段階を付加する新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-05-08T16:25:21Z)
• A Hypergraph-Based Framework for Exploratory Business Intelligence [11.059102690661467]
  本稿では,演算子を用いたハイパーグラフデータモデルを導入する新しいシステムであるExBIについて述べる。 証明可能な推定保証を備えたサンプリングベースのアルゴリズムを使用して、ExBIは解析的精度を維持しながら計算ボトルネックに対処する。 LDBCデータセットの実験は、ExBIが既存のシステムに対して大幅なスピードアップを達成することを示した。
  論文  参考訳（メタデータ） (2026-03-11T10:36:48Z)
• APEX-SQL: Talking to the data via Agentic Exploration for Text-to-SQL [39.76924093980244]
  APEX-動詞化は、パラダイムを受動的翻訳からエージェント探索に移行するフレームワークである。 提案フレームワークでは,実データにおける基底モデル推論に仮説検証ループを用いる。
  論文  参考訳（メタデータ） (2026-02-11T07:50:47Z)
• Companion Agents: A Table-Information Mining Paradigm for Text-to-SQL [8.159121916366727]
  BIRDのような大規模テキスト・ツー・キュレートのベンチマークは通常、利用可能な外部知識だけでなく、完全で正確なデータベースアノテーションを前提としている。 このミスマッチはドメイン・オブ・ザ・ドメイン・テキスト・トゥ・アーティファクトシステムの現実的な適用性を著しく制限する。 本稿では,関係データベースに内在する固有できめ細かな情報を活用するデータベース中心の手法を提案する。
  論文  参考訳（メタデータ） (2025-12-17T07:11:55Z)
• A Multimodal Conversational Agent for Tabular Data Analysis [0.2211620227346065]
  大規模言語モデル(LLM)は、音声対話を含むユーザとの対話において、ハイパフォーマンスを維持しながら、データ分析、可視化、解釈を扱うことで、情報処理を再構築することができる。 直感的データ探索のためのマルチモーダルLLM駆動型対話エージェントTalk2Dataを提案する。 このシステムでは、ユーザーは音声やテキストでデータセットをクエリし、プロット、テーブル、統計、音声による説明などの回答を受け取ることができる。
  論文  参考訳（メタデータ） (2025-11-23T11:21:04Z)
• LLM-based Multi-Agent Blackboard System for Information Discovery in Data Science [69.1690891731311]
  従来のAIモデルのためのブラックボードアーキテクチャに着想を得た,新しいマルチエージェント通信パラダイムを提案する。 このフレームワークでは、中央エージェントが共有ブラックボードにリクエストをポストし、自律的な従属エージェントがその能力に基づいて応答する。 明示的なデータ発見を必要とする3つのベンチマークに対して,本手法の評価を行った。
  論文  参考訳（メタデータ） (2025-09-30T22:34:23Z)
• MCP-Orchestrated Multi-Agent System for Automated Disinformation Detection [84.75972919995398]
  本稿では,関係抽出を用いてニュース記事の偽情報を検出するマルチエージェントシステムを提案する。 提案したエージェントAIシステムは、(i)機械学習エージェント(ロジスティック回帰)、(ii)Wikipedia知識チェックエージェント、(iv)Webスクラッドデータアナライザの4つのエージェントを組み合わせる。 その結果、マルチエージェントアンサンブルはF1スコア0.964で95.3%の精度を達成し、個々のエージェントや従来のアプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-08-13T19:14:48Z)
• Knowledge Graph Completion with Relation-Aware Anchor Enhancement [50.50944396454757]
  関係認識型アンカー強化知識グラフ補完法(RAA-KGC)を提案する。 まず、ヘッダーのリレーショナル・アウェア・エリア内でアンカー・エンティティを生成します。 次に、アンカーの近傍に埋め込まれたクエリを引っ張ることで、ターゲットのエンティティマッチングに対してより差別的になるように調整する。
  論文  参考訳（メタデータ） (2025-04-08T15:22:08Z)
• Unbiased Learning to Rank with Query-Level Click Propensity Estimation: Beyond Pointwise Observation and Relevance [74.43264459255121]
  現実のシナリオでは、ユーザーは複数の関連するオプションを調べた後、1つまたは2つの結果だけをクリックします。 本稿では,ユーザが異なる検索結果リストをクリックする確率を捉えるために,クエリレベルのクリック確率モデルを提案する。 本手法では,2次元逆重み付け機構を導入し,相対飽和度と位置偏差に対処する。
  論文  参考訳（メタデータ） (2025-02-17T03:55:51Z)
• Improving Text Matching in E-Commerce Search with A Rationalizable, Intervenable and Fast Entity-Based Relevance Model [78.80174696043021]
  エンティティベース関連モデル(EBRM)と呼ばれる新しいモデルを提案する。 この分解により、高精度にクロスエンコーダQE関連モジュールを使用できる。 また、ユーザログから自動生成されたQEデータによるQEモジュールの事前トレーニングにより、全体的なパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2023-07-01T15:44:53Z)

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。