PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.11025v1cs.HC

의도 그래프: 탐색적 데이터 분석을 위한 분석적 추론 공간 탐색

Intent Graph: Navigating the Analytical Reasoning Space for Exploratory Data Analysis

실제 탐색적 데이터 분석(EDA)은 완전히 개방된 형태로 진행되는 경우가 드뭅니다. 분석가는 도메인 지식과 사전 가설을 바탕으로 방향의 우선순위를 정하며, 고수준의 도메인 질문에서 이를 해결할 수 있는 구체적인 분석으로 나아갑니다. 대규모 언어 모델(LLM)은 이러한 지식을 제공할 수 있지만, 그 응답은 비정형적이어서 분석가는 무엇이 탐색되었는지, 무엇이 누락되었는지, 또는 왜 특정 방향이 다른 방향보다 선택되었는지를 파악할 방법이 없습니다. 본 논문에서는 두 개의 연결된 구조를 통해 분석가와 LLM이 가능한 분석 공간을 함께 탐색할 수 있도록 지원하는 시스템인 DAG-EDA를 제안합니다. 분석 의도 문법에 따라 제어되는 의도 그래프(intent graph)는 모호한 자연어 질문을 점진적으로 구체적인 분석 작업으로 분해하여 대안적 관점을 열어두고, 분석가가 경로를 분기, 백트래킹 및 비교할 수 있도록 합니다. 다층 지식 그래프는 LLM의 도메인 지식을 외재화하여 도메인 개념을 이를 측정할 수 있는 데이터셋 변수와 연결함으로써, 분석가가 자신의 질문이 데이터에 어떻게 그라운딩(grounding)되는지 검사하고 이의를 제기할 수 있게 합니다. 두 그래프는 오직 데이터셋과 분석가의 질문만으로 구성되며, 분석가가 도달한 분석 결과는 인터랙티브 대시보드로 시각화됩니다. 우리는 활용 시나리오를 통해 시스템을 설명하고, 해당 시스템이 분석가의 추론과 탐색을 지원(scaffold)하는지 검증하기 위한 사용자 연구 설계를 기술합니다.

arXiv:2607.06482v1cs.CL

실제 환경에서의 데이터 분석: 실세계 데이터 복잡성에 대한 대규모 언어 모델 벤치마킹

Data Analysis in the Wild: Benchmarking Large Language Models Against Real-World Data Complexities

실세계 데이터 분석 환경을 반영하지 못하는 기존 벤치마크의 한계를 극복하기 위해, 정부 공개 데이터 기반의 DataGovBench를 제안하며 대규모 다중 테이블 환경에서의 Table QA와 탐색적 분석 기반의 Table Insight 두 가지 태스크를 포함한다. 최신 대규모 언어 모델(LLM)을 에이전틱 프레임워크와 함께 평가한 결과, 두 태스크 모두에서 상당한 성능 격차가 드러나 현재 LLM 기반 시스템이 실제 데이터 분석 수요를 충족하기에는 여전히 미흡함을 보여준다.