EMNLPOct, 2023

LLM4Vis：使用 ChatGPT 进行解释性可视化推荐

PDF
TL;DRLLM4Vis 是一个基于 ChatGPT 的提示方法，可执行可视化推荐，并使用极少数量的演示示例返回类人的解释，通过考虑先前生成的解释和基于模板的提示进行迭代性微调生成的解释。在 VizML 数据集上的评估表明，LLM4Vis 在少量示例和零示例设置中优于或类似于 Random Forest、Decision Tree 和 MLP 等监督学习模型，并通过定性评估显示 LLM4Vis 生成的解释的有效性。
data visualizationvisualization recommendationmachine learningexplanation generationllm4vis
发现论文，激发创造
  • Prompt4Vis: 利用示例挖掘和模式过滤为表格数据可视化的大型语言模型提供提示

    Prompt4Vis 是一种利用大型语言模型和上下文学习来增强从自然语言生成数据可视化查询的性能的新型框架，通过在 NVBench 数据集上进行广泛实验，明显优于最先进的 RGVisNet 约 35.9% 和 71.3%。

    Jan, 2024

  • 通过大型语言模型实现自然语言数据可视化：一项探索性研究

    使用大型语言模型进行自然语言到可视化的转换任务，在分析如何将结构化表格数据转化为 LLM 所需的顺序文本提示时，发现将结构化表格数据转化为程序是有效的，并且在制定提示时考虑表格模式是必要的。同时，通过对比实验发现，LLM 在 NL2Vis 任务中优于基线方法，并且推理模型在提供少量示范的情况下通过上下文学习能够进一步改善性能，时而甚至超过微调模型。最后，分析 LLM 在 NL2Vis 任务中失败的情况，并提出了循环更新的策略，通过链式思维、角色扮演和代码解释等方法来迭代更新结果，实验证实了这种迭代更新的有效性，具有广阔的未来研究潜力。

    Apr, 2024

  • VizML: 一种基于机器学习的可视化建议方法

    本研究介绍了一种基于机器学习的数据可视化推荐方法，通过从大量数据集和相关可视化图中训练出网络来预测设计选择，从而降低探索基本可视化的难度.

    Aug, 2018

  • LLM 是否能够使用无数据提示生成可视化？

    我们调查了大型语言模型在回应查询时提供准确数据和相关可视化的能力，并通过与可视化专家创建的可视化参考表对模型的结果进行评估。

    Jun, 2024

  • 探索 GPT-4V (ision) 的推荐能力：初步案例研究

    通过研究 GPT-4V (ison)，我们发现多模态模型在推荐任务中的潜力，并证明了 GPT-4V 具有出色的零 - shot 推荐能力，同时也发现了其在类似输入上提供相似响应的局限性。我们希望激发进一步研究下一代多模态生成式推荐模型，以提供更多样性和互动性，从而增强用户体验。

    Nov, 2023

  • V-RECS, 一种低成本的 LLM4VIS 推荐器，附有解释、字幕和建议

    NL2VIS 研究领域涉及将自然语言查询解释并将其转化为准确代表底层数据的可视化，为非专家用户大大便利了数据探索；本文提出了 V-RECS，首个具有解释、标题和进一步数据探索建议的基于 LLM 的视觉推荐系统，通过细化小型模型的方法解决了强大 LLMs 的计算、可控性和成本问题，使用 Chain-of-Thoughts（CoT）技术来生成有洞察力的可视化叙述来辅助 LLM 的指导，V-RECS 在性能上与 GPT-4 相当，但成本更低，该研究通过发布 V-RECS 帮助可视化设计师整个可视化生成过程。

    Jun, 2024

  • 提问即可得 (一份图形绘制): 测试 ChatGPT 运用图形布局算法的潜力

    本研究旨在探索大型语言模型在图形绘制算法中的应用，并通过 ChatGPT 进行实验，以提升图像可读性和使数据可视化更加易用。通过自然语言进行指定规范，对更广泛的用户提供更加可访问和友好的操作。同时，也更好地了解了如何为 LLMs 制定复杂算法的能力，并提供了平衡的评估机会和挑战。

    Mar, 2023

  • 支持学生学习推荐的 LLM 基于知识图谱上下文化的聊天机器人

    利用聊天机器人作为对话中介和有限生成解释的来源的基于 LLM 的聊天机器人支持学生理解学习路径建议。

    Jan, 2024

  • 在大语言模型时代重新思考对话式推荐系统的评估

    本文介绍了利用大型语言模型进行对话推荐的研究，并提出了一种基于 LLM 的用户模拟器的交互式评估方法 iEvaLM，从而改善了现有的评估协议。在两个公共数据集上的实验表明，ChatGPT 展现出较大的优势，并强调解释性的评估。此研究有助于更深入地理解 LLMs 在 CRSs 中的潜力，并为未来的研究提供一个更灵活、易于使用的评估框架。

    May, 2023

  • MatPlotAgent：基于 LLM 的科学数据可视化方法和评估

    本文介绍了 MatPlotAgent，一种高效的模型无关的大型语言模型（LLM）代理框架，用于自动化科学数据可视化任务，并提出了一个使用 GPT-4V 进行自动评估的评分方法，实验结果表明 MatPlotAgent 可以提高各种 LLM 的性能。

    Feb, 2024