CoDA: 協調的データ可視化のためのエージェンシックシステム

要旨

深い研究がデータ分析を革新してきたにもかかわらず、データサイエンティストは依然として視覚化を手動で作成するために多くの時間を費やしており、自然言語クエリからの堅牢な自動化の必要性が浮き彫りになっている。しかし、現在のシステムは、複数のファイルや反復的な改良を含む複雑なデータセットに対処するのに苦労している。既存のアプローチ、例えば単一または複数のエージェントシステムは、タスクを過度に単純化し、初期のクエリ解析に焦点を当てる一方で、データの複雑さ、コードエラー、または最終的な視覚化の品質を堅牢に管理することに失敗している。本論文では、この課題を協調的なマルチエージェント問題として再定義する。我々は、メタデータ分析、タスク計画、コード生成、自己反映に特化したLLMエージェントを採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。このパイプラインを形式化し、メタデータに焦点を当てた分析がトークン制限を回避し、品質主導の改良が堅牢性を確保する方法を示す。広範な評価により、CoDAが全体スコアで大幅な向上を達成し、競合するベースラインを最大41.5%上回ることが示された。この研究は、視覚化自動化の未来が孤立したコード生成ではなく、統合された協調的なエージェントワークフローにあることを示している。

English

Deep research has revolutionized data analysis, yet data scientists still devote substantial time to manually crafting visualizations, highlighting the need for robust automation from natural language queries. However, current systems struggle with complex datasets containing multiple files and iterative refinement. Existing approaches, including simple single- or multi-agent systems, often oversimplify the task, focusing on initial query parsing while failing to robustly manage data complexity, code errors, or final visualization quality. In this paper, we reframe this challenge as a collaborative multi-agent problem. We introduce CoDA, a multi-agent system that employs specialized LLM agents for metadata analysis, task planning, code generation, and self-reflection. We formalize this pipeline, demonstrating how metadata-focused analysis bypasses token limits and quality-driven refinement ensures robustness. Extensive evaluations show CoDA achieves substantial gains in the overall score, outperforming competitive baselines by up to 41.5%. This work demonstrates that the future of visualization automation lies not in isolated code generation but in integrated, collaborative agentic workflows.

CoDA: 協調的データ可視化のためのエージェンシックシステム

CoDA: Agentic Systems for Collaborative Data Visualization

要旨

Support