论文
InsightChain：针对 LLM 驱动的数据可视化的优化洞察链分析
InsightChain: Optimized Chain-of-Insight Analytics for LLM-driven Data Visualization
摘要
大语言模型 (LLM) 越来越多地用于自动化数据可视化，但现有方法通常将可视化生成构建为从用户查询到图形或代码的单步映射，忽略了专家分析师的迭代分析推理过程。我们提出了 InsightChain，一个模拟专家分析工作流程的四阶段可视化提示管道（探索--焦点--测试--呈现），以及 VG-COPRO，一种视觉引导的自动提示优化（APO）方法，适用于联合优化此类多阶段、可执行管道。为了解决复杂数据可视化的评估差距，我们引入了洞察进度指标（IPM），这是一个结合了四个基于文本的维度和一个基于视觉的维度的评估标准。我们通过 100 条链的人工试点和涵盖所有十个领域的基于 300 条链的扩展评估来评估 IPM。对公共数据集的实验表明，InsightChain 始终优于竞争的提示基线。现有的 APO 方法无法在此多阶段任务上产生一致的增益，而 VG-COPRO 提高了域内和跨域设置的性能。