論文の概要: DA-Studio: An Agentic System for End-to-End Data Analysis
- arxiv url: http://arxiv.org/abs/2606.31423v1
- Date: Tue, 30 Jun 2026 09:45:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.170078
- Title: DA-Studio: An Agentic System for End-to-End Data Analysis
- Title（参考訳）: DA-Studio:エンドツーエンドデータ分析のためのエージェントシステム
- Abstract要約: DA-Studioは、エンドツーエンドのデータ分析のための対話型Webベースのデモシステムで、自律的で、サンドボックス化され、検査可能である。
アクション構造化分析バックエンド、サンドボックス実行ワークスペース、タスク設定のためのブラウザインターフェース、ストリームされたアクショントレース、アーティファクトプレビュー、コード編集と再実行、レポートエクスポートを統合している。
- 参考スコア（独自算出の注目度）: 30.69252331013003
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-world data analysis is a multi-step process over heterogeneous inputs rather than merely producing a final answer. A practical system should autonomously organize multi-step workflows, execute generated code in a sandboxed and controllable environment, and remain inspectable through visible action traces and intermediate artifacts. Existing LLM-based analysis tools, however, often emphasize isolated subtasks, leaving limited support for complete execution-grounded workflows. We present DA-Studio (Data Analysis Studio), an interactive web-based demo system for end-to-end data analysis that is autonomous, sandboxed, and inspectable. DA-Studio integrates an action-structured analysis backend, a sandboxed execution workspace, and a browser interface for task setup, streamed action traces, artifact preview, code editing and rerunning, and report export. Through iterative action generation, code execution, and feedback incorporation, it incrementally constructs executable analysis steps from raw files and natural-language requests while exposing intermediate results and artifacts throughout the process.
- Abstract（参考訳）: 実世界のデータ分析は、最終回答を単に生成するのではなく、異種入力の多段階プロセスである。
現実的なシステムは、複数のステップのワークフローを自律的に整理し、サンドボックスで制御可能な環境で生成されたコードを実行し、可視的なアクショントレースと中間的なアーティファクトを通して検査可能である必要がある。
しかし、既存のLCMベースの分析ツールは、独立したサブタスクを強調し、完全な実行基盤ワークフローを限定的にサポートしている。
DA-Studio(Data Analysis Studio)は,エンド・ツー・エンドのデータ分析のための対話型Webベースのデモシステムである。
DA-Studioは、アクション構造化分析バックエンド、サンドボックス化された実行ワークスペース、タスク設定のためのブラウザインターフェース、ストリームされたアクショントレース、アーティファクトプレビュー、コード編集と再実行、レポートエクスポートを統合している。
反復的なアクション生成、コード実行、フィードバックの取り込みを通じて、プロセス全体を通して中間的な結果と成果物を公開しながら、生のファイルと自然言語リクエストから実行可能な分析ステップを段階的に構築する。
関連論文リスト
- DuMateBench: Evaluating Autonomous Agents in Complex Real-World Workflows [69.12339622053588]
我々はDuMateBenchを紹介した。DuMateBenchは匿名化およびプライバシスクリーニングによるユーザセッションから再構築されたリアルセッションベンチマークである。
結果として得られたベンチマークは、8つの広いシナリオにまたがる200のタスクと、17のきめ細かい機能カテゴリで構成されている。
これらのタスクは、Isufficient、Unstable、Noisyの3種類の環境複雑性を注入した、分離されたDockerコンテナで実行します。
論文 参考訳（メタデータ） (2026-08-27T02:36:23Z) - LEDGER: Claim-to-Evidence Trace Graphs for Auditing LLM Agents [2.9951905451976106]
LEDGERは観察されたエージェントセッションにトレースグラフを構築する。
結果として得られたトレースが、ワークフローの決定、アーティファクトの系統、修復ステップ、検証ステップ、エビデンス中心の監査のためのクレームサポートパスを公開する方法を示す。
論文 参考訳（メタデータ） (2026-08-19T00:10:04Z) - Supporting the Comprehension of Data Analysis Scripts [0.39146761527401425]
FlowRはPositronとVS Codeの拡張機能で、データ解析スクリプトを処理する。
インクリメンタルにRプロジェクトを分析し、相互運用データと制御フローを相互運用する。
プラグインシステムとインターフェースを提供し、新たなリンティングルールやカスタムビジュアライゼーションなど、さらなる分析の統合を可能にする。
論文 参考訳（メタデータ） (2026-04-17T11:28:49Z) - LLM4Log: A Systematic Review of Large Language Model-based Log Analysis [7.098062225687816]
大規模言語モデル(LLM)は、意味的一般化とクロスソースエビデンスの統合を可能にすることにより、ログ分析を再構築した。
LLMはまた、コンテキスト制限、レイテンシ/コスト、プライバシ制約、幻覚といったデプロイメントリスクも導入している。
本稿では,LLMを用いたエンドツーエンドパイプラインにおけるログ解析の体系的レビューを行う。
論文 参考訳（メタデータ） (2026-03-18T20:34:58Z) - AgentSkiller: Scaling Generalist Agent Intelligence through Semantically Integrated Cross-Domain Data Synthesis [30.512393568258105]
大規模言語モデルエージェントは、ツールを介して現実世界の問題を解決する可能性を実証するが、汎用的な知性は、質の低い長期データによってボトルネックとなる。
本稿では,現実的なセマンティックなドメイン間でのマルチターンインタラクションデータを合成する,完全に自動化されたフレームワークであるAgentSkillerを提案する。
論文 参考訳（メタデータ） (2026-02-10T03:21:42Z) - LongDA: Benchmarking LLM Agents for Long-Document Data Analysis [55.32211515932351]
LongDAは、長いドキュメントと複雑なデータをナビゲートする実際の設定をターゲットとしています。
LongTAは、ドキュメントアクセス、検索、コード実行を可能にするツール拡張されたエージェントフレームワークである。
実験の結果, 最先端モデルにおいても, かなりの性能差が認められた。
論文 参考訳（メタデータ） (2026-01-05T23:23:16Z) - InspectCoder: Dynamic Analysis-Enabled Self Repair through interactive LLM-Debugger Collaboration [71.18377595277018]
大きな言語モデル(LLM)は、診断が難しい複雑なロジックエラーを伴うバグの多いコードを生成することが多い。
対話型デバッガ制御による動的解析を LLM に委ねる初のエージェントプログラム修復システムである InspectCoder を提案する。
論文 参考訳（メタデータ） (2025-10-21T06:26:29Z) - CoDA: Agentic Systems for Collaborative Data Visualization [57.270599188947294]
深層研究はデータ分析に革命をもたらしたが、データサイエンティストは依然として手作業による視覚化にかなりの時間を費やしている。
単純なシングルエージェントシステムやマルチエージェントシステムを含む既存のアプローチは、しばしばタスクを単純化する。
本稿では,メタデータ分析,タスク計画,コード生成,自己回帰に特殊なLLMエージェントを利用するマルチエージェントシステムであるCoDAを紹介する。
論文 参考訳（メタデータ） (2025-10-03T17:30:16Z) - LLM Agents for Interactive Workflow Provenance: Reference Architecture and Evaluation Methodology [3.470217255779291]
本稿では,対話型大規模言語モデル(LLM)エージェントをランタイムデータ解析に活用する評価手法,参照アーキテクチャ,オープンソース実装を提案する。
提案手法では,自然言語を構造化された前処理クエリに変換する軽量なメタデータ駆動型設計を用いる。
LLaMA、GPT、Gemini、Claudeにまたがる評価では、多様なクエリクラスと現実世界の化学ワークフローを網羅し、モジュール設計、即時チューニング、Retrieval-Augmented Generation (RAG)が正確で洞察に富んだエージェント応答を可能にすることを示している。
論文 参考訳（メタデータ） (2025-09-17T13:51:29Z) - IDA-Bench: Evaluating LLMs on Interactive Guided Data Analysis [60.32962597618861]
IDA-Benchは、多ラウンドの対話シナリオで大規模言語モデルを評価する新しいベンチマークである。
エージェント性能は、最終的な数値出力と人間由来のベースラインを比較して判断する。
最先端のコーディングエージェント(Claude-3.7-thinkingなど)でさえ50%のタスクを成功させ、シングルターンテストでは明らかでない制限を強調している。
論文 参考訳（メタデータ） (2025-05-23T09:37:52Z) - Self-Supervised Log Parsing [59.04636530383049]
大規模ソフトウェアシステムは、大量の半構造化ログレコードを生成する。
既存のアプローチは、ログ特化や手動ルール抽出に依存している。
本稿では,自己教師付き学習モデルを用いて解析タスクをマスク言語モデリングとして定式化するNuLogを提案する。
論文 参考訳（メタデータ） (2020-03-17T19:25:25Z)
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。