EvidFuse: 일관성 있는 텍스트-차트 데이터 보고를 위한 작성 시 증거 학습

EvidFuse: Writing-Time Evidence Learning for Consistent Text-Chart Data Reporting

데이터 기반 보고서는 의사 결정에 필요한 통찰력을 전달하기 위해 서술형 텍스트와 기본 테이블에 기반한 차트를 밀접하게 결합합니다. 그러나 현재의 LLM 기반 시스템은 일반적으로 텍스트-우선 또는 차트-우선 방식으로 단계별 파이프라인을 통해 텍스트와 시각화를 생성합니다. 이러한 설계는 종종 차트-텍스트 불일치 및 통찰력 고정을 초래하며, 중간 증거 공간이 고정되어 모델이 서술이 발전함에 따라 새로운 시각적 증거를 검색하거나 구성할 수 없게 되어, 피상적이고 미리 정의된 분석이 이루어집니다. 이러한 한계를 해결하기 위해, 우리는 학습이 필요 없는 다중 에이전트 프레임워크인 extbf{EvidFuse}를 제안합니다. EvidFuse는 데이터 기반 보고서의 작성 시 텍스트와 차트를 통합하여 생성할 수 있도록 합니다. EvidFuse는 시각화 분석을 장문 작성에서 분리하기 위해 두 가지 협력적인 구성 요소로 구성됩니다. 첫 번째는 EDA(탐색적 데이터 분석)에서 파생된 지식과 원시 테이블에 대한 접근 권한을 갖춘 extbf{데이터 증강 분석 에이전트}이고, 두 번째는 개요를 계획하고 보고서를 작성하면서 주기적으로 세분화된 분석 요청을 수행하는 extbf{실시간 증거 구성 작성자}입니다. 이러한 설계는 시각적 증거가 서술이 필요할 때 정확하게 생성되고 통합되도록 하여, 후속 주장을 직접적으로 제약하고 필요한 경우 증거 공간을 확장할 수 있도록 합니다. 실험 결과는 EvidFuse가 차트 품질, 차트-텍스트 일관성 및 보고서 수준의 유용성 측면에서 LLM 평가 및 인간 평가 모두에서 최고 순위를 차지했음을 보여줍니다.

Data-driven reports communicate decision-relevant insights by tightly interleaving narrative text with charts grounded in underlying tables. However, current LLM-based systems typically generate narratives and visualizations in staged pipelines, following either a text-first-graph-second or a graph-first-text-second paradigm. These designs often lead to chart-text inconsistency and insight freezing, where the intermediate evidence space becomes fixed and the model can no longer retrieve or construct new visual evidence as the narrative evolves, resulting in shallow and predefined analysis. To address the limitations, we propose \textbf{EvidFuse}, a training-free multi-agent framework that enables writing-time text-chart interleaved generation for data-driven reports. EvidFuse decouples visualization analysis from long-form drafting via two collaborating components: a \textbf{Data-Augmented Analysis Agent}, equipped with Exploratory Data Analysis (EDA)-derived knowledge and access to raw tables, and a \textbf{Real-Time Evidence Construction Writer} that plans an outline and drafts the report while intermittently issuing fine-grained analysis requests. This design allows visual evidence to be constructed and incorporated exactly when the narrative requires it, directly constraining subsequent claims and enabling on-demand expansion of the evidence space. Experiments demonstrate that EvidFuse attains the top rank in both LLM-as-a-judge and human evaluations on chart quality, chart-text alignment, and report-level usefulness.