연구진은 차트 이미지에서 코드를 생성하는 모델 학습 시, 금 표준 코드가 항상 완전하게 관찰 가능한 목표라는 가정에 의문을 제기했어요. 차트 프로그램은 종종 숨겨진 원시 변수를 포함하는데, 렌더링된 이미지에서 이를 고유하게 복구하기 어렵다는 점을 지적했어요.
Observation-Aligned 지도 학습 방식을 제안했는데, 이는 잠재적인 원시 데이터 목표를 시각적 관찰에 의해 제한되는 값으로 대체하는 방식이에요. 예를 들어, 박스 플롯의 경우 요약 통계, 파이 차트의 경우 부채꼴 비율, 히스토그램의 경우 빈 가중치를 사용해요.
ChartMimic과 ChartX 데이터셋에서 실험한 결과, 관찰 정보에 맞춘 지도 학습 방식이 실행 가능한 코드 평가에서 관찰 가능한 값 복구 능력을 향상시키는 것으로 나타났어요.