[논문 리뷰] NL2Dashboard: A Lightweight and Controllable Framework for Generating Dashboards with LLMs

Boshen Shi, Kexin Yang외 6명|arXiv (Cornell University)|2026. 01. 04.

Data Visualization and Analytics인용 수 0

한 줄 요약

NL2Dashboard는 IR 기반의 두 단계 워크플로우(Prompt-to-IR 및 IR-to-Dashboard)와 대시보드를 생성하고 수정하는 다중 에이전트 시스템을 도입하여, 기준선 대비 더 높은 토큰 효율성과 세밀한 제어 가능성을 달성합니다.

ABSTRACT

While Large Language Models (LLMs) have demonstrated remarkable proficiency in generating standalone charts, synthesizing comprehensive dashboards remains a formidable challenge. Existing end-to-end paradigms, which typically treat dashboard generation as a direct code generation task (e.g., raw HTML), suffer from two fundamental limitations: representation redundancy due to massive tokens spent on visual rendering, and low controllability caused by the entanglement of analytical reasoning and presentation. To address these challenges, we propose NL2Dashboard, a lightweight framework grounded in the principle of Analysis-Presentation Decoupling. We introduce a structured intermediate representation (IR) that encapsulates the dashboard's content, layout, and visual elements. Therefore, it confines the LLM's role to data analysis and intent translation, while offloading visual synthesis to a deterministic rendering engine. Building upon this framework, we develop a multi-agent system in which the IR-driven algorithm is instantiated as a suite of tools. Comprehensive experiments conducted with this system demonstrate that NL2Dashboard significantly outperforms state-of-the-art baselines across diverse domains, achieving superior visual quality, significantly higher token efficiency, and precise controllability in both generation and modification tasks.

연구 동기 및 목표

• LLMs로 개별 차트가 아니라 포괄적인 대시보드를 생성하는 과제를 해결한다.
• 구조화된 중간 표현(IR)을 사용해 데이터 분석과 시각 렌더링을 분리한다.
• 결정적 렌더링과 안내 프롬프트를 통해 제어 가능한 반복적 대시보드 생성 및 수정을 가능하게 한다.
• 대시보드를 구성하는 실행 가능한 도구를 갖춘 에이전트 시스템을 도입한다.
• 향상된 신뢰성과 효율성에 대한 이론적 및 실증적 검증을 제공한다.

제안 방법

• 대시보드 내용, 구성 및 시각화를 인코딩하는 경량의 구조화된 IR을 도입한다.
• 두 단계 워크플로우를 촉진한다: Prompt-to-IR(분석 및 IR 채우기) 및 IR-to-Dashboard(기본 템플릿을 이용한 결정론적 렌더링).
• 수정 의도를 원자적 행동(변경, 교체, 삭제, 추가)으로 번역하고 IR 업데이트 연산자를 포함하는 수정 파이프라인을 구현한다.
• 생성과 수정을 조정하기 위한 다중 에이전트 시스템(Planner, Coder, Critic)과 대시보드 조립 도구 키트(IRGen, DBCompile, IRModify)를 개발한다.
• 정보 엔트로피 분해 및 파노의 부등식(Fano’s inequality)을 바탕으로 향상된 신뢰성과 감소된 시각적 엔트로피를 정당화하는 이론적 분석을 제공한다.
• 도메인 전반에 걸쳐 품질, 토큰 효율성 및 제어 가능성 측면에서 NL2Dashboard를 기준선과 실증 비교한다.

실험 결과

연구 질문

• RQ1 다양한 도메인에서 고품질 대시보드를 생성하는 데 NL2Dashboard가 어떻게 성능을 나타내는가?
• RQ2 NL2Dashboard가 사용자가 지정한 수정 작업을 얼마나 충실하게 실행할 수 있는가?
• RQ3 생성 오버헤드 비율(GOR)로 측정했을 때 NL2Dashboard의 토큰 효율성은 종단 간 기준선과 어떻게 비교되는가?
• RQ4 비평가에 기반한 반복적 최적화가 대시보드 품질에 미치는 영향은 무엇이며 언제 효과가 감소하는가?

주요 결과

• NL2Dashboard는 평가 지표에서 최고 품질 점수를 달성하고 상위 두 목록에 들며, 생성(task)에서 두 번째로 좋은 기준선 대비 8.4%, 수정(task)에서 7.3% 향상을 보였다.
• 수정 작업에서 NL2Dashboard는 모든 작업을 정확하게 완료하고 작업 난이도가 증가함에 따라 성공률에서 기준선 대비 35%~62%를 초과 달성한다.
• NL2Dashboard의 토큰 효율성(GOR)은 1 미만으로 크게 나타나 코드나 스크립트를 생성하는 기준선 대비 토큰 오버헤드가 더 낮음을 시사한다.
• 비평가 기반 최적화가 다차원에서 대시보드 품질을 향상시키며 약 1회 정도의 최적화 후에 수익이 감소한다.
• 제거 연구에서 IR 기반 분리가 레이아웃 관련 실패를 줄이고 수정의 안정성을 높이며, 기준선에서 관찰된 공간 추론 및 지시 지키기 이슈를 해소한다.