論文の概要: Crystalis: Progressive Nucleation and Semantic Annealing for Coordinated Multi-View Visualization Generation

• arxiv url: http://arxiv.org/abs/2607.24766v1
• Date: Sun, 07 Jun 2026 09:38:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:39.043634
• Title: Crystalis: Progressive Nucleation and Semantic Annealing for Coordinated Multi-View Visualization Generation
• Title（参考訳）: 結晶: 協調多視点可視化生成のためのプログレッシブ核生成とセマンティックアニール
• Abstract要約: 大規模言語モデル(LLM)は個々のチャートを生成することができるが、協調型マルチビュー可視化(CMV)は普及していない。 本稿では,CMVを構造化クエリに分解するクエリ中心のCMVモデリングに基づくフレームワークであるCrystalisを紹介する。 5つのフロンティアLCMにわたる12タスクのベンチマークで、Crystalisは最大75%のエンドツーエンドの成功を達成した。
• 参考スコア（独自算出の注目度）: 27.412375108328174
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) can generate individual charts, but coordinated multi-view visualizations (CMVs), where views share data flows and cross-view interactions, remain out of reach. Tight field-level coupling among data transformations, visual encodings, and interaction coordinations causes errors in one component to silently invalidate others. Rather than pursuing end-to-end analytical quality, which depends on model capability, domain knowledge, and user expertise, we target a foundational question: can LLMs reliably produce structurally correct CMVs, and what abstractions make this possible? We present Crystalis, a framework built on query-centric CMV modeling that decomposes a CMV into structured queries over a dependency graph spanning three component types (Data, Visualization, Interaction) and three abstraction levels (requirement, specification, executable object). Two complementary mechanisms operate over this structure: progressive nucleation crystallizes each query vertically from requirement to object along the dependency order, while semantic annealing enforces horizontal consistency across queries at each level through layered logical checks. On a 12-task benchmark across five frontier LLMs, Crystalis achieves up to 75% end-to-end success, substantially outperforming an agentic coding baseline (8.3% E2E with the same foundation model), and a user study with 12 practitioners confirms the usability of the decomposition and iterative refinement workflow.
• Abstract（参考訳）: 大規模言語モデル(LLM)は個々のチャートを生成することができるが、ビューがデータフローを共有し、クロスビューの相互作用を共有できるマルチビュー視覚化(CMV)は到達範囲外である。 データ変換、視覚的エンコーディング、相互作用の調整の間の強固なフィールドレベルの結合は、あるコンポーネントのエラーを静かに他のコンポーネントを無効にする。 LLMは構造的に正しいCMVを確実に生成できるのか? このフレームワークは、CMVを3つのコンポーネントタイプ(データ、可視化、インタラクション)と3つの抽象化レベル(要求、仕様、実行可能オブジェクト)にまたがる依存性グラフ上の構造化クエリに分解する。 プログレッシブ核化(Progress nucleation)は、各クエリを要件から依存性の順序に沿って垂直に結晶化し、セマンティックアニールは階層化された論理チェックを通じて各レベルのクエリを水平に整合させる。 5つのフロンティアLCMにわたる12タスクのベンチマークにおいて、Crystalisは最大75%のエンドツーエンドの成功を達成し、エージェントコーディングベースライン(同じ基礎モデルで8.3%のE2E)を大幅に上回った。

関連論文リスト

• MV-STRIDE: Enabling MLLMs to Master Multi-View Spatial Reasoning via Hierarchical Capability Modeling [22.069318507340423]
  MV-STRIDE, Interdependent および DE capabilitiEs を用いた階層型スパチュアル推論データセットについて紹介する。 MV-STRIDEはフラットなデータ構造を超えて、知覚、シーン理解、複雑なコンテキスト推論の間の依存関係関係を明示的にモデル化する。 そこで我々は,多種多様な3Dシーンソースを活用して,相互依存性の制約を強制する,系統的なQA生成パイプラインを開発した。
  論文  参考訳（メタデータ） (2026-09-07T09:14:13Z)
• UniCVR: From Alignment to Reranking for Unified Zero-Shot Composed Visual Retrieval [87.12447641908143]
  組込みゼロショット合成ビジュアル検索フレームワークUniCVRを提案する。 UniCVRは、タスク固有の人間アノテーションのない3つのタスクすべてに共同で対処する。 ステージIでは,約3.5Mサンプルのキュレートされたデータセットに対して,コントラスト学習によりMLLMを合成クエリ埋め込み器として訓練する。 ステージIIでは,少数の上位候補に対して適応的予算付サブセットスコアを付与するMLLM誘導二重レベル再ランク機構を導入する。
  論文  参考訳（メタデータ） (2026-04-22T08:16:50Z)
• MM-CondChain: A Programmatically Verified Benchmark for Visually Grounded Deep Compositional Reasoning [37.02901476078596]
  MM-CondChainは、視覚的に深い合成推論のためのベンチマークである。 MM-CondChainは多層推論チェーンとして構成され、各層は非自明な構成条件を含む。 プランナーは構成条件の層間生成をオーケストレーションし、検証可能なプログラム中間表現(VPIR)は各層の状態が機械的に検証可能であることを保証する。
  論文  参考訳（メタデータ） (2026-03-12T17:59:56Z)
• DataFactory: Collaborative Multi-Agent Framework for Advanced Table Question Answering [18.66810094244931]
  Table Question Answering (TableQA)は、構造化データとの自然言語インタラクションを可能にする。 既存の大規模言語モデル(LLM)アプローチには、限界がある。 本稿では,これらの制約に対処するマルチエージェントフレームワークであるDataFactoryを紹介する。
  論文  参考訳（メタデータ） (2026-03-10T03:44:52Z)
• Talk Freely, Execute Strictly: Schema-Gated Agentic AI for Flexible and Reproducible Scientific Workflows [0.0]
  大規模言語モデル(LLM)は、研究者の平易な言語目標を実行可能計算に変換するが、科学的な要求決定論、証明、ガバナンスに変換することができる。 我々は、スキーマゲートオーケストレーションを解決原則として提案するので、完全なアクション(ステップ間の依存関係を含む)がマシンチェック可能な仕様に対して検証されない限り、何も実行されない。
  論文  参考訳（メタデータ） (2026-03-06T15:40:39Z)
• Exploring a Unified Vision-Centric Contrastive Alternatives on Multi-Modal Web Documents [99.62178668680578]
  本稿では,単一の視覚変換器を用いてテキスト,画像,それらの組み合わせをモデル化する統合フレームワークであるビジョン中心コントラスト学習(VC2L)を提案する。 VC2Lは完全にピクセル空間で動作し、テキスト、ビジュアル、または組み合わせのいずれでも、すべての入力を画像として描画する。 ウェブ文書における複雑なクロスモーダル関係を捉えるため、VC2Lは連続するマルチモーダルセグメントを整列するスニペットレベルのコントラスト学習目標を採用している。
  論文  参考訳（メタデータ） (2025-10-21T14:59:29Z)
• CIR-CoT: Towards Interpretable Composed Image Retrieval via End-to-End Chain-of-Thought Reasoning [93.05917922306196]
  Composed Image Retrieval (CIR) は、参照画像と修正テキストから対象画像を見つけることを目的としている。 CIR-CoTは、明示的なChain-of-Thought (CoT)推論を統合するために設計された最初のエンドツーエンド検索指向MLLMである。
  論文  参考訳（メタデータ） (2025-10-09T09:41:45Z)
• Generalized Deep Multi-view Clustering via Causal Learning with Partially Aligned Cross-view Correspondence [72.41989962665285]
  マルチビュークラスタリング(MVC)は、複数のビューにまたがる共通のクラスタリング構造を検討することを目的としている。 しかし、現実のシナリオは、部分的なデータだけが異なるビューに一貫して整合しているため、しばしば課題となる。 我々は,CauMVCと呼ばれる因果的マルチビュークラスタリングネットワークを設計し,この問題に対処する。
  論文  参考訳（メタデータ） (2025-09-19T14:31:40Z)
• KG-QAGen: A Knowledge-Graph-Based Framework for Systematic Question Generation and Long-Context LLM Evaluation [3.618621510356872]
  KG-QAGenは、複数の複雑性レベルでQAペアを抽出するフレームワークである。 20,139のQAペアのデータセットを構築し、その一部をオープンソース化する。 我々は、13のプロプライエタリかつオープンソースのLCMを評価し、最高の性能のモデルでさえ、セットベース比較に苦戦していることを観察する。
  論文  参考訳（メタデータ） (2025-05-18T16:46:39Z)
• CAISSON: Concept-Augmented Inference Suite of Self-Organizing Neural Networks [0.0]
  本稿では,レトリーバル・Augmented Generation(RAG)に対する新しい階層的アプローチであるCAISSONを紹介する。 CAISSONの中核は、文書空間の補完的な組織ビューを作成するために、二重自己組織化マップ(SOM)を活用している。 CAISSONを評価するために,合成財務分析ノートと質問応答ペアを生成するフレームワークであるSynFAQAを開発した。
  論文  参考訳（メタデータ） (2024-12-03T21:00:10Z)
• Contextualization Distillation from Large Language Model for Knowledge Graph Completion [51.126166442122546]
  我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。 提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。 多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
  論文  参考訳（メタデータ） (2024-01-28T08:56:49Z)
• Scalable Incomplete Multi-View Clustering with Structure Alignment [71.62781659121092]
  本稿では,新しいアンカーグラフ学習フレームワークを提案する。 ビュー固有のアンカーグラフを構築し、異なるビューから補完情報をキャプチャする。 提案したSIMVC-SAの時間と空間の複雑さはサンプル数と線形に相関していることが証明された。
  論文  参考訳（メタデータ） (2023-08-31T08:30:26Z)

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。