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其局限性。

研究背景指出，传统可视化重定向依赖人工修改，需设计者同时熟悉示例图表的实现逻辑和新数据集的转换需求，效率低下。而LLMs的发展为自动代码适配提供了可能。

研究方法上，作者评估了两种LLM辅助策略：

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信息（如视觉编码），指导代码构建。

通过对4个数据集和8个不同复杂度的Python图表（共生成64个重定向可视化结果）的测试，发现两种方法在新数据未适当转换时均表现不佳，并按类型和严重程度对错误进行了分类（如语法错误、语义错误、语用错误）。最终，作者提出了未来重定向系统的设计建议，包括混合主动辅助、突出数据依赖、整合转换支持等。

创新点

1. 明确界定可视化重定向概念：区别于以往基于图像（如SVG、位图）的重样式方法，聚焦于图表的代码规范（如Vega-Lite、Matplotlib代码），利用规范中包含的复杂数据转换等上下文信息，提升重定向的准确性。
2. 系统评估LLM辅助效果：首次在多