Crystalis：協調型マルチビュー可視化生成のためのプログレッシブ核形成とセマンティックアニーリング
本研究では、大規模言語モデルを用いて構造的に正しい協調型マルチビュー可視化（CMV）を生成するフレームワークCrystalisを提案する。クエリ中心のモデリングによりCMVを依存関係グラフ上の構造化クエリに分解し、プログレッシブ核形成とセマンティックアニーリングという2つのメカニズムを用いて垂直方向と水平方向の一貫性を実現する。12タスクのベンチマークで75%のエンドツーエンド成功率を達成し、ベースラインの8.3%を大幅に上回った。12名の実践者によるユーザースタディでは、分解と反復的リファインメントのワークフローの有用性が確認された。
大規模言語モデル（LLM）は、個別のグラフを生成する能力を示してきたが、複数のビューがデータフローを共有し、ビュー間でのインタラクションを可能にする協調型マルチビュー可視化（CMV）の生成は依然として大きな課題である。その理由は、データ変換、視覚的エンコーディング、インタラクション調整の間の密結合にあり、1つのコンポーネントのエラーが他のコンポーネントを無音のうちに無効化するためである。これに対し、研究チームは新しいフレームワークCrystalisを提案し、LLMが構造的に正しいCMVを確実に生成できるかどうか、そしてそれを可能にする抽象化とは何かという根本的な問いに取り組んだ。
Crystalisの核となるのは、クエリ中心のCMVモデリングである。CMVを依存関係グラフ上の構造化クエリに分解し、そのグラフは3つのコンポーネントタイプ（データ、可視化、インタラクション）と3つの抽象化レベル（要件、仕様、実行可能オブジェクト）から構成される。フレームワークは2つの補完的なメカニズムを採用する。プログレッシブ核形成は、依存順序に沿って各クエリを要件から実行可能オブジェクトへ垂直に結晶化する。一方、セマンティックアニーリングは、各レベルでの階層的な論理チェックを通じてクエリ間の水平一貫性を強制する。
5つの最先端LLMを用いた12タスクのベンチマークにおいて、Crystalisは最大75%のエンドツーエンド成功率を達成し、同じ基盤モデルを用いたエージェントコーディングベースライン（8.3%の成功率）を大幅に凌駕した。さらに、12名の実践者によるユーザースタディでは、分解と反復的リファインメントのワークフローの使いやすさが確認され、Crystalisが理論的にだけでなく実践的にも有効であることが示された。
この研究は、LLMを用いた複雑なマルチビュー可視化の生成に新たな道を開くものであり、その革新的な抽象化とメカニズムは、この分野の重要な基盤となることが期待される。研究チームは今後、Crystalisをさらに拡張し、より広範な可視化タスクをサポートするとともに、リアルタイムデータ分析への応用を探求する予定である。本論文はDazhen Deng氏を含む6名の著者により執筆され、2026年6月7日にarXivに投稿され、識別番号は2607.24766、人工知能（cs.AI）の分野に分類される。要件から実行可能オブジェクトへの段階的な精緻化により、生成された可視化の構造的・意味的正確性が保証され、深層学習と可視化技術の融合に新たな視点を提供している。