Challenges & Opportunities with LLM-Assisted Visualization Retargeting

文章主要内容和创新点

主要内容

本文聚焦于可视化重定向（Visualization Retargeting）——即把现有图表适配到新数据集的过程，探讨了大型语言模型（LLMs）在这一过程中的辅助作用及局限性。

研究首先定义了可视化重定向的核心挑战，从语法（代码依赖与修改）、语义（数据映射与尺度适配）、语用（视觉传达与受众适配）三个层面进行了表征。随后，作者评估了两种LLM辅助方法的性能：

1. 基线方法：直接指令LLM生成并适配代码（将代码视为文本输入）；
2. 程序合成管道：LLM基于示例代码和数据的属性提供结构化信息（如视觉编码），引导代码构建。

评估结果显示，两种方法在新数据未充分转换时均表现不佳，且程序合成管道因错误传播性能略逊于基线方法。最后，文章提出了未来重定向系统的设计建议，包括混合主动辅助、数据依赖可视化、整合转换支持等。

创新点

1. 挑战表征：首次从语法、语义、语用三个维度系统定义了可视化重定向的挑战，为LLM辅助方向提供了清晰框架；
2. 方法评估：对比了两种LLM辅助策略在不同数据集和图表复杂度下的表现，量化分析了错误类型（如语法错误、语义适配不当等）及严重程度；
3. 设计建议：基于评估结果，提出了针对未来重定向系统的具体设计方向，为结合LLM提升可视化适配效