nvAgent: Automated Data Visualization from Natural Language via Collaborative Agent Workflow

要約

Natural Language to Visualization（NL2VIS）は、自然言語の説明を与えられたテーブルの視覚的表現に変換し、ユーザーが大規模なデータから洞察を導き出すことを可能にします。
大規模な言語モデル（LLMS）の最近の進歩は、コード生成を自動化して表形式データをアクセス可能な視覚化に変換することを約束しています。
しかし、彼らはしばしば、複数のテーブルにわたって推論を必要とする複雑なクエリに苦労しています。
この制限に対処するために、NL2VISのNVAGENTと呼ばれる共同エージェントワークフローを提案します。
具体的には、Nvagentは3つのエージェントで構成されています。データベース処理とコンテキストフィルタリングのプロセッサエージェント、視覚化生成を計画するための作曲家エージェント、およびコード翻訳と出力検証の有効化エージェントです。
新しいVisevalベンチマークの包括的な評価は、Nvagentが常に最先端のベースラインを上回り、単一テーブルの7.88％の改善とマルチテーブルシナリオの9.23％の改善を達成することを示しています。
定性分析では、Nvagentが以前のモデルで20％近くのパフォーマンスマージンを維持しており、複雑で異種のデータソースから高品質の視覚表現を生成する能力を強調していることを強調しています。

要約(オリジナル)

Natural Language to Visualization (NL2Vis) seeks to convert natural-language descriptions into visual representations of given tables, empowering users to derive insights from large-scale data. Recent advancements in Large Language Models (LLMs) show promise in automating code generation to transform tabular data into accessible visualizations. However, they often struggle with complex queries that require reasoning across multiple tables. To address this limitation, we propose a collaborative agent workflow, termed nvAgent, for NL2Vis. Specifically, nvAgent comprises three agents: a processor agent for database processing and context filtering, a composer agent for planning visualization generation, and a validator agent for code translation and output verification. Comprehensive evaluations on the new VisEval benchmark demonstrate that nvAgent consistently surpasses state-of-the-art baselines, achieving a 7.88% improvement in single-table and a 9.23% improvement in multi-table scenarios. Qualitative analyses further highlight that nvAgent maintains nearly a 20% performance margin over previous models, underscoring its capacity to produce high-quality visual representations from complex, heterogeneous data sources.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google