論文の概要: WeaveData: A Multimodal Data Analysis System with Self-Critiquing and Self-Evolving LLM Plans

• arxiv url: http://arxiv.org/abs/2609.34764v1
• Date: Mon, 28 Sep 2026 09:47:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 03:07:07.408768
• Title: WeaveData: A Multimodal Data Analysis System with Self-Critiquing and Self-Evolving LLM Plans
• Title（参考訳）: WeaveData: 自己批判と自己進化型LCMプランを備えたマルチモーダルデータ分析システム
• Abstract要約: 大規模言語モデル(LLM)は、関係演算子や意味演算子に対して解析計画を生成することによって、自然言語でそのような分析を可能にする。 本稿では,自己記述型かつ自己進化型LCM計画を用いたマルチモーダルデータ解析システムWeaveDataを提案する。
• 参考スコア（独自算出の注目度）: 22.810308593315217
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal data analysis, which answers questions over relational tables, text, and images, has attracted growing attention in the data management community. Large language models (LLMs) enable such analysis in natural language by generating analysis plans over relational and semantic operators. However, LLM-generated plans are error-prone: a plan may silently compute something other than what was asked, fail during execution, or return a result that misses the question. This paper presents WeaveData, a multimodal data analysis system with self-critiquing and self-evolving LLM plans. First, WeaveData generates a typed logical plan for each question and critiques it step by step before execution, and it checks the executed result against the question afterwards. Second, WeaveData evolves a plan that fails or misses the question: it diagnoses the failure with the actual data, reuses the results that remain valid, and accumulates planning experience for later questions. Third, WeaveData grounds planning in a metadata knowledge graph of all modalities, clarifies ambiguous questions with the user, and backs every model judgment with evidence in an interactive notebook. We demonstrate WeaveData on two public multimodal datasets.
• Abstract（参考訳）: リレーショナルテーブル、テキスト、画像に関する質問に答えるマルチモーダルデータ分析は、データ管理コミュニティで注目を集めている。 大規模言語モデル(LLM)は、関係演算子や意味演算子に対して解析計画を生成することによって、自然言語でそのような分析を可能にする。 しかし、LSMが生成した計画はエラーを起こしやすい: 計画は、要求されたもの以外の何かを静かに計算したり、実行中に失敗したり、質問を見逃す結果を返す。 本稿では,自己記述型かつ自己進化型LCMプランを用いたマルチモーダルデータ解析システムWeaveDataを提案する。 まず、WeaveDataは各質問に対して型付き論理計画を生成し、実行前に段階的に批判し、その後に実行された結果をチェックする。 第2に、WeaveDataは失敗または問題を見逃すプランを進化させ、実際のデータで障害を診断し、有効な結果を再使用し、その後の質問のために計画経験を蓄積する。 第3に、WeaveDataはすべてのモダリティのメタデータ知識グラフで計画を立て、ユーザとのあいまいな質問を明確にし、インタラクティブなノートブックにすべてのモデル判断を証拠としてバックバックする。 WeaveDataを2つの公開マルチモーダルデータセットでデモします。

関連論文リスト

• Data Analysis in the Wild: Benchmarking Large Language Models Against Real-World Data Complexities [16.09389994769264]
  我々は,大規模言語モデルを評価するためのベンチマークであるDataGovBenchを紹介する。 最先端のLLMによる総合的な実験では、両方のタスク間で大きなパフォーマンスギャップが示される。 DataGovBenchは、分析クエリの応答とデータからの洞察の発見の両方が可能なLLMの研究を進める上で、困難なベンチマークを提供する。
  論文  参考訳（メタデータ） (2026-07-07T16:43:05Z)
• Can Language Models Analyze Data? Evaluating Large Language Models for Question Answering over Datasets [0.03683202928838612]
  本稿では,大規模言語モデル(LLM)の有効性について検討する。 難易度の異なる質問を含む2つのデータセットで実験を行った。 その結果,より小型でコスト効率のよいモデルの限界を浮き彫りにしながら,大型LLMの強い性能を示した。
  論文  参考訳（メタデータ） (2026-05-11T11:54:47Z)
• LLM/Agent-as-Data-Analyst: A Survey [54.08761322298559]
  大規模言語モデル(LLM)とエージェント技術は、データ分析タスクの機能と開発パラダイムに根本的な変化をもたらした。 LLMは複雑なデータ理解、自然言語、意味分析機能、自律パイプラインオーケストレーションを可能にする。
  論文  参考訳（メタデータ） (2025-09-28T17:31:38Z)
• DatawiseAgent: A Notebook-Centric LLM Agent Framework for Adaptive and Robust Data Science Automation [10.390461679868197]
  我々は、適応的で堅牢なデータサイエンス自動化のためのノートブック中心の大規模言語モデル(LLM)エージェントフレームワークであるDatawiseAgentを紹介する。 人間のデータサイエンティストが計算ノートブックでどのように機能するかに触発されたDatawiseAgentは、統一された相互作用表現とマルチステージアーキテクチャを導入した。
  論文  参考訳（メタデータ） (2025-03-10T08:32:33Z)
• Learning to Plan for Retrieval-Augmented Large Language Models from Knowledge Graphs [59.76268575344119]
  知識グラフ(KG)から得られた計画データを用いて,大規模言語モデル(LLM)計画能力を向上するための新しいフレームワークを提案する。 KGデータで微調整されたLLMは、計画能力を向上し、検索を含む複雑なQAタスクを処理するのがより適している。
  論文  参考訳（メタデータ） (2024-06-20T13:07:38Z)
• On Inter-dataset Code Duplication and Data Leakage in Large Language Models [4.148857672591562]
  本稿では,データセット間の重複現象とその大規模言語モデル(LLM)評価への影響について検討する。 この結果から,複数のSEタスクにまたがるLCMの評価は,データ間重複現象に起因する可能性が示唆された。 オープンソースモデルがデータセット間の重複に影響される可能性があることを示す。
  論文  参考訳（メタデータ） (2024-01-15T19:46:40Z)
• Integrating Graphs with Large Language Models: Methods and Prospects [68.37584693537555]
  大規模言語モデル (LLMs) が最前線として登場し、様々なアプリケーションにおいて非並列の長所を示している。 LLMとグラフ構造化データを組み合わせることは、非常に興味深いトピックです。 本稿では、そのような統合を2つの主要なカテゴリに分岐する。
  論文  参考訳（メタデータ） (2023-10-09T07:59:34Z)

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。