arXiv cs.AI· Burak Susam, Tingting Mu·· 10 小时前AI 评分29
基于 LLM Agent 的可解释迭代数据可视化优化
Explainable Iterative Data Visualization Refinement via an LLM Agent
AI 导读
研究提出一种 agentic AI 流水线，将可视化评估与超参数优化视为语义任务，结合严格定量评估与 LLM 对定性人类判断的近似，自动生成多维报告并给出算法配置建议。系统通过迭代优化循环全自动快速产出高质量可视化图，用于高维数据嵌入的低维可视化。
正文 · AI 翻译
摘要：高维数据的探索性分析依赖于将数据嵌入低维空间，并据此生成可视化图，以揭示有意义的结构并传达数据的几何与分布特征。要找到合适的嵌入算法配置，尤其是超参数设置，从而生成能够忠实反映底层现实并促进模式发现的可视化图，这一过程既费时费力，又需要领域知识。为减轻这一负担，我们提出了一种智能体式 AI 流水线，它将严谨的定量评估与基于大语言模型（LLM）的定性人类判断与洞察近似相结合。通过将可视化评估和超参数优化视为一项语义任务，我们的系统会生成一份多方面的报告，用描述性摘要为定量指标提供背景，并针对改进数据可视化提出可操作的算法配置建议。通过迭代优化循环，该系统可在完全自动化的情况下快速生成高质量的可视化图。
| 主题： | 人机交互（cs.HC）；人工智能（cs.AI） |
| 引用为： | arXiv:2604.15319 [cs.HC] |
| （或使用 arXiv:2604.15319v3 [cs.HC] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2604.15319 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Burak Susam [查看邮箱]
[v1]
2026年3月2日星期一 17:51:04 UTC（1,426 KB）
[v2]
2026年4月22日星期三 16:15:41 UTC（1,426 KB）
[v3]
2026年11月10日星期二 07:47:44 UTC（3,055 KB）
来源：arXiv cs.AI · arxiv.org