Balancing Continuous Pre-Training and Instruction Fine-Tuning: Optimizing Instruction-Following in LLMs
Samsung Research(三星研究院)
本研究探讨了LLMs连续预训练与指令微调的关系,旨在无需指令数据和微调的情况下,找到一种计算效率最高的策略以同时获取最新知识并保持指令遵循能力。
2024-10-14 cs.CL
Distilled Self-Critique of LLMs with Synthetic Data: a Bayesian Perspective
Komorebi AI
该研究从贝叶斯视角将RLAIF解读为贝叶斯推理,提出仅需合成数据的蒸馏式自我批判(dSC)方法,经吉布斯采样优化输出再蒸馏为微调模型,验证了其作为低成本大语言模型对齐方案的可行性。
2024-04-11 cs.CL cs.LG
Balancing Enhancement, Harmlessness, and General Capabilities: Enhancing Conversational LLMs with Direct RLHF
Bytedance Inc.(字节跳动公司)
针对对话式LLM经SFT后基础能力下降、有毒输出增多的问题,提出绕过SFT直接实施无害RLHF的方法,构建的Mistral-Plus在保留通用能力的同时提升对话能力与安全性,11项任务表现优于同规模开源模型及指令版。
2024-03-04 cs.CL
BianQue: Balancing the Questioning and Suggestion Ability of Health LLMs with Multi-turn Health Conversations Polished by ChatGPT
South China University of Technology(华南理工大学);Guangdong Women and Children Hospital(广东省妇幼保健院);Pazhou Lab(琶洲实验室)
针对健康大语言模型缺乏多轮提问导致建议个性化不足的问题,本文提出基于ChatGLM并用自建多轮健康对话数据集BianQueCorpus微调的BianQue模型,实验证明其能同时平衡提问与健康建议能力,推动主动健康领域应用。
2023-12-04 cs.CL cs.HC
Parallel Universes for Temporal Evaluation and Knowledge Updating in LLMs
Georgia Institute of Technology(佐治亚理工学院);Zhejiang University(浙江大学)
针对大语言模型知识过时问题,提出ParallelEvents基准与Synapse训练框架,实现无人工标注的可扩展知识插入,性能较现有方法提升14.23%。
2026-10-28 cs.CL cs.LG
Refined Direct Preference Optimization with Synthetic Data for Behavioral Alignment of LLMs
Komorebi AI
本文提出rDPO方法,通过教师LLM自我批评生成合成数据,结合外部奖励模型的广义DPO损失函数蒸馏至学生LLM,无需人工标注即可有效提升LLM在安全性、鲁棒性和减少谄媚性等行为对齐任务上的表现。
2024-02-12 cs.CL cs.LG
The Unintended Trade-off of AI Alignment:Balancing Hallucination Mitigation and Safety in LLMs
Applied Artificial Intelligence Initiative(应用人工智能倡议);Deakin University(德肯大学);School of Information Technology(信息科技学院)
本文提出了一种方法,通过解耦幻觉和拒绝特征,平衡LLMs中的真实性与安全性,减少因提高真实性而削弱安全对齐的问题。
2026-01-30 cs.CL
Data balancing for boosting performance of low-frequency classes in Spoken Language Understanding
Amazon Alexa(亚马逊Alexa)
尽管数据不平衡在实际的口语理解应用中变得越来越普遍,但在文献中还没有得到广泛的研究。据我们所知,本文提出了第一个系统的研究,处理数据不平衡的SLU。特别是,我们讨论了现有的数据平衡技术SLU的应用,并提出了一个多任务SLU模型的意图分类和插槽填充。为了避免过度拟合,在我们的模型中,数据平衡的方法是通过一个辅助任务间接利用的,该任务利用了一个类平衡的批处理生成器和(可能的)合成数据。我们在真实世界数据集上的结果表明,i)我们提出的模型可以显着提高低频意图的性能,同时避免头部意图的潜在性能下降,ii)当现实数据不可用时,合成数据有利于引导新意图,但是iii)一旦一定量的现实数据变得可用,在辅助任务中使用合成数据仅产生比将它们添加到主任务训练数据更好的性能,以及iv)在联合训练场景中,单独地平衡意图分布不仅改进了意图分类,而且改进了时隙填充性能。
2020-08-06 cs.CL cs.SD eess.AS
Large language model as user daily behavior data generator: balancing population diversity and individual personality
Department of Electronic Engineering, Tsinghua University(电子工程系,清华大学)
针对日常行为预测中的数据隐私与可用性问题,提出BehaviorGen框架,利用大型语言模型生成合成行为数据,兼顾群体多样性与个体个性,在移动性和手机使用预测中最高提升18.9%。
2025-05-23 cs.CL cs.IR cs.LG
Enhancing Object Detection Performance for Small Objects through Synthetic Data Generation and Proportional Class-Balancing Technique: A Comparative Study in Industrial Scenarios
German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心(DFKI));Rheinland-Pfälzische Technische Universität (RPTU) Kaiserslautern-Landau(莱茵兰-普法尔茨凯泽斯劳滕-兰道工业大学(RPTU))
针对工业场景中小目标检测数据难获取、类别不平衡导致模型性能差的问题,提出结合合成数据生成与比例类别平衡技术的方法,对比了YOLOv5、YOLOv7、SSD在真实与合成数据组合下的检测性能。
2024-01-29 cs.CV cs.LG
Privacy-Preserving Synthetic Review Generation with Diverse Writing Styles Using LLMs
Department of Computer Science and Engineering(计算机科学与工程系);Santa Clara University(圣克拉拉大学);eBay(eBay公司)
针对LLM合成评论文本的多样性与隐私风险,本文建立多维评估指标,揭示现有模型局限,并提出基于提示的方法以增强风格多样性并保护隐私。
2025-07-24 cs.CL cs.CR cs.LG
SynLexLM: Scaling Legal LLMs with Synthetic Data and Curriculum Learning
Georgia Institue of Technology(佐治亚理工学院)
针对法律领域数据匮乏与通用预训练不足的问题,提出SynLexLM方法,结合课程学习与Gemini Pro合成数据增强预训练法律LLM,旨在提升BigLaw-Bench等基准性能并普及法律AI。
2025-04-29 cs.CL cs.LG
DOMBA: Double Model Balancing for Access-Controlled Language Models via Minimum-Bounded Aggregation
Ben-Gurion University(本·古里安大学)
提出DOMBA方法,通过最小有界平均函数聚合两个不同访问级别文档训练的语言模型的概率分布,在保证安全性的同时实现高效用。
2025-02-08 cs.AI cs.CL cs.CR
Asymmetric REINFORCE for off-Policy Reinforcement Learning: Balancing positive and negative rewards
FAIR at Meta(Meta 的 FAIR);Work done at Meta(Meta);NYU Courant Institute(纽约大学Courant研究所)
本研究提出非对称REINFORCE算法,通过平衡正负奖励提升离线策略强化学习性能,理论分析表明基线下界可保证策略改进,并通过实验验证其有效性。
2025-11-28 cs.CL cs.LG
User-Controlled Knowledge Fusion in Large Language Models: Balancing Creativity and Hallucination
SenseTime NLP(商汤科技自然语言处理部门)
本文提出一种用户可控机制,通过在LLMs微调阶段引入基于ROUGE、Sentence-BERT和自评估计算的忠实度数值标签,使用户能在推理时控制模型对外部知识的依赖,从而平衡创造性与幻觉。
2023-07-30 cs.AI cs.CL cs.LG
Generalizable LLM Learning of Graph Synthetic Data with Post-training Alignment
University of Washington(华盛顿大学);Xi’an Jiaotong University(西安交通大学);University of Notre Dame(圣母大学);Google(谷歌)
本文提出用基于合成图数据的后训练对齐替代直接监督微调,通过设计基于解和基于过程的奖励并结合GRPO、DPO等算法,提升大语言模型从合成图任务到真实世界隐式图结构任务的泛化能力,在5个数据集上平均提升12.9%。
2025-08-17 cs.CL cs.LG
RouteNator: A Router-Based Multi-Modal Architecture for Generating Synthetic Training Data for Function Calling LLMs
Adobe Inc.(Adobe公司)
提出基于路由器的多模态架构RouteNator,利用领域资源和多模态语言模型生成高质量合成数据,解决LLM函数调用微调中真实数据缺失问题,显著提升分类与参数选择性能。
2025-05-15 cs.CL cs.LG
Better as Generators Than Classifiers: Leveraging LLMs and Synthetic Data for Low-Resource Multilingual Classification
Kempelen Institute of Intelligent Technologies(克姆佩尔智能技术研究所);Faculty of Information Technology, Brno University of Technology(信息科技学院)
本研究利用大语言模型生成合成数据,训练更小的多语言模型,发现生成器在低资源语言中表现更优。
2026-01-22 cs.AI cs.CL cs.LG
Balancing Truthfulness and Informativeness with Uncertainty-Aware Instruction Fine-Tuning
ETH Zürich(苏黎世联邦理工学院);National University of Singapore(新加坡国立大学);University of Zürich(苏黎世大学);Swiss Finance Institute (SFI)(瑞士金融学院)
本文指出指令微调(IFT)中不熟悉知识会降低LLM真实性,提出$UNIT_{cut}$移除不熟悉知识以提升真实性,以及$UNIT_{ref}$让模型显式表达不确定性以维持信息量并减少幻觉。
2025-06-25 cs.AI cs.CL
Enhancing Logical Reasoning in Large Language Models through Graph-based Synthetic Data
McGill University(麦吉尔大学);Mila - Québec AI Institute(米拉-魁北克人工智能研究所)
本研究探索基于图的合成数据作为训练信号,通过监督微调增强LLM在归纳与空间推理任务上的能力,且不影响其他基准表现。
2024-12-16 cs.CL cs.LG
Enhancing Low-Resource LLMs Classification with PEFT and Synthetic Data
Amazon(亚马逊)
针对每类仅4个示例的低资源文本分类,提出结合合成数据生成、过滤与PEFT的单LLM流程,在保持零样本效率的同时达到媲美ICL的准确率。
2024-04-03 cs.CL cs.LG
From Artificial Needles to Real Haystacks: Improving Retrieval Capabilities in LLMs by Finetuning on Synthetic Data
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
针对LLMs长上下文检索与推理能力不足的问题,提出在合成数值键值检索数据集上微调模型,显著提升了长上下文检索能力且不损害通用基准表现,有效避免幻觉。
2024-10-14 cs.AI cs.CL cs.LG
Balancing Exploration and Exploitation in LLM using Soft RLLF for Enhanced Negation Understanding
National Institute of Informatics(信息学研究所)
提出用 Soft RLLF 在 LLM 微调中平衡探索与利用,并通过基准对比、迁移学习和法律 AI 评估验证其对否定理解与逻辑可靠性的提升。
2024-03-02 cs.AI cs.CL
Advancing Semantic Caching for LLMs with Domain-Specific Embeddings and Synthetic Data
Redis(睿都斯(Redis));Virginia Tech(弗吉尼亚理工大学)
本报告提出通过领域特定小型嵌入模型微调和合成数据生成管道提升LLM语义缓存的精度与召回率,有效平衡计算开销与准确性。
2025-04-03 cs.CL cs.LG
A Case Study Exploring the Current Landscape of Synthetic Medical Record Generation with Commercial LLMs
Department of Computer Science University of California Los Angeles(计算机科学系,加州大学洛杉矶分校);Bioinformatics IDP University of California Los Angeles(生物信息学IDP,加州大学洛杉矶分校);Department of Computational Medicine University of California Los Angeles(计算医学系,加州大学洛杉矶分校)
本研究评估商业大语言模型生成合成电子健康记录的能力,发现模型在小特征子集上表现可靠,但随维度增加难以保持真实分布与相关性,限制跨医院泛化。
2025-04-25 cs.AI cs.CL cs.LG
SciFaultyQA: Benchmarking LLMs on Faulty Science Question Detection with a GAN-Inspired Approach to Synthetic Dataset Generation
Department of CSE, Pennsylvnia State University, State College, USA
针对LLM常错误回答故意设计有缺陷的科学问题,构建SciFaultyQA数据集,提出GAN启发的合成数据生成方法用于基准测试,并开发减少错误的策略。
2024-12-16 cs.CL cs.LG
Balancing Speciality and Versatility: A Coarse to Fine Framework for Mitigating Catastrophic Forgetting in Large Language Models
Tsinghua University(清华大学);SenseTime Research(商汤科技研究院);University of California, San Diego(加利福尼亚大学圣迭戈分校)
提出CoFiTune框架,通过粗粒度模块更新和细粒度软掩蔽机制,在微调中平衡专业性与通用性,缓解灾难性遗忘,提升通用性约14%。
2025-02-24 cs.CL
Latent Prototype Routing: Achieving Near-Perfect Load Balancing in Mixture-of-Experts
针对MoE架构的负载不平衡问题,提出Latent Prototype Routing (LPR)路由框架,通过聚类视角泛化现有方法以促进均衡的专家利用,在不影响下游性能的前提下,将专家负载基尼系数降至0.035,实现近乎完美的负载均衡。
2025-06-26 cs.CL cs.LG
Artificial Conversations, Real Results: Fostering Language Detection with Synthetic Data
University of Milan(米兰大学)
本研究提出一种合成数据生成流程,通过分析提示策略等因素对意大利语招聘广告包容性语言检测任务的影响,证明基于合成数据微调的LLMs在真实与合成测试集上均表现更优。
2025-03-31 cs.AI cs.CL cs.LG
Cyber for AI at SemEval-2025 Task 4: Forgotten but Not Lost: The Balancing Act of Selective Unlearning in Large Language Models
TCS Research(塔塔咨询服务研究中心)
本文针对大语言模型选择性遗忘问题,提出基于全局权重修改的方法以平衡遗忘效果、知识保留与模型实用性,并在SemEval 2025任务4中取得有前景的测试结果。
2025-03-02 cs.AI cs.CL
Hybrid Training Approaches for LLMs: Leveraging Real and Synthetic Data to Enhance Model Performance in Domain-Specific Applications
本研究提出一种结合真实与合成数据微调LLMs的混合方法,通过引入合成角色与场景克服真实数据局限,实验证明该混合模型在特定垂直应用中各项指标均优于基线与真实数据微调模型,显著提升了模型的鲁棒性与上下文敏感性。
2024-10-11 cs.CL
On LLMs-Driven Synthetic Data Generation, Curation, and Evaluation: A Survey
Zhejiang University(浙江大学);Harbin Institute of Technology(哈尔滨工业大学)
该综述针对深度学习中数据量与质量的长期困境,基于合成数据生成通用工作流梳理LLMs驱动的合成数据生成、筛选与评估相关研究,指出研究空白并展望未来方向,以推动学界业界的深入系统研究。
2024-06-14 cs.CL
Balancing Rigor and Utility: Mitigating Cognitive Biases in Large Language Models for Multiple-Choice Questions
University of York(约克大学);Friedrich Schiller University Jena(弗里德里希·席勒·耶拿大学);King’s College London(伦敦国王学院)
本文针对大型语言模型(LLMs)多项选择题决策中的认知偏差问题,提出启发式调节与弃权(不执行)选项,结合BRU数据集验证,平衡偏差以提升决策效率、准确性与可靠性,使LLM决策更贴近人类推理。
2025-04-13 cs.AI cs.CL
Quality Matters: Evaluating Synthetic Data for Tool-Using LLMs
Amazon(亚马逊);Technion - Israel Institute of Technology(以色列理工学院);Technology Innovation Institute(技术创新研究院);OriginAI
提出两种评估方法(人类定义标准和模型驱动评估)来检验工具使用LLM的合成数据质量,实验证明高质量小数据训练优于未验证大数据,强调了数据可靠性评估的重要性。
2024-09-26 cs.CL cs.LG cs.SE
Constructing Synthetic Instruction Datasets for Improving Reasoning in Domain-Specific LLMs: A Case Study in the Japanese Financial Domain
Nomura Research Institute, Ltd.(摩根士丹利研究机构)
本研究提出了一种通用方法,通过构建合成指令数据集提升领域特定大语言模型的推理能力,并在金融领域进行了验证。
2026-03-02 cs.AI cs.CL cs.LG
Attributes as Textual Genes: Leveraging LLMs as Genetic Algorithm Simulators for Conditional Synthetic Data Generation
Department of Computer Science, University of Memphis(计算机科学系,孟菲斯大学)
针对LLM生成合成数据的质量与多样性难题,提出结合遗传算法与LLM的Genetic Prompt框架,以文本属性为基因模拟遗传操作并结合主动学习优化选择,在多NLP任务上优于基线,提升下游模型性能。
2025-09-02 cs.CL
Seed-Free Synthetic Data Generation Framework for Instruction-Tuning LLMs: A Case Study in Thai
Bangkok Christian International School(曼谷基督教国际学校);School of Information Science and Technology, VISTEC(VISTEC信息科学与技术学院)
本文针对低资源语言泰语,提出一种无种子数据的合成指令微调框架,通过融合流畅性、多样性和文化语境三个关键属性,仅用5,000条指令即可达到与大规模数据训练的最先进泰语LLMs相当的竞争力。
2024-11-23 cs.CL
Aligning Large Language Models through Synthetic Feedback
NAVER Cloud(NAVER云);NAVER AI Lab(NAVER人工智能实验室);KAIST AI(韩国科学技术院人工智能学院);SNU AI Center(首尔国立大学人工智能中心)
提出不依赖大量人类标注和专有LLMs的合成反馈对齐学习框架,通过对比不同原始LLMs的回复进行奖励建模,并利用强化学习优化模型,最终在对齐基准和人类评估中优于近期开源模型。
2023-10-21 cs.AI cs.CL cs.LG
Bi-Factorial Preference Optimization: Balancing Safety-Helpfulness in Language Models
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);University of Oxford(牛津大学)
本文提出双因子偏好优化(BFPO)监督学习框架,将安全性与有用性的联合RLHF目标转化为单一监督目标,以更低计算和人工成本实现两者平衡并显著超越现有方法。
2025-04-08 cs.AI cs.CL cs.LG
OpenCharacter: Training Customizable Role-Playing LLMs with Large-Scale Synthetic Personas
Tencent AI Lab(腾讯AI实验室)
本文提出基于Persona Hub大规模合成角色档案,并通过回复重写与生成构建角色对齐指令数据,用LLaMA-3 8B进行SFT,使模型在角色扮演对话上达到接近GPT-4o的表现。
2025-02-18 cs.CL
CCSBench: Evaluating Compositional Controllability in LLMs for Scientific Document Summarization
National University of Singapore(新加坡国立大学);Singapore University of Technology and Design(新加坡科技设计大学);Sea AI Lab(Sea AI实验室)
CCSBench是首个科学文档组合可控摘要基准,评估LLMs同时控制长度与实证焦点等多属性的能力,发现其在平衡隐性属性上存在显著局限。
2025-08-04 cs.CL
SurvCaus : Representation Balancing for Survival Causal Inference
LaMME(拉梅实验室);Paris Saclay University / UEVE(巴黎萨克雷大学/埃夫里大学);LaMME - CNRS(拉梅实验室-法国国家科学研究中心);IBISC(IBISC实验室)
个体处理效应(ITE)估计方法在过去几年中越来越受欢迎。大多数情况下,个体效应更好地表示为条件平均处理效应(CATE)。最近,表征平衡技术在从观测数据进行因果推断方面获得了相当大的发展势头,但仍限于连续(和二元)结果。然而,在许多病理学中,关注的结果是(可能删失的)生存时间。我们的论文提出了一个代表性的平衡框架,适用于反事实推理的生存环境中使用的神经网络能够预测的事实和反事实的生存功能(然后CATE),在审查制度的存在下,在个人层面上的理论保证。我们还提出了广泛的实验合成和半合成数据集,表明所提出的扩展优于基线方法。
2022-03-29 cs.LG stat.ME stat.ML
Learning from Synthetic Data Improves Multi-hop Reasoning
Cornell University(康奈尔大学);University of Cambridge(剑桥大学);Stanford University(斯坦福大学)
本研究通过规则生成的合成数据提升LLM多跳推理能力,发现合成数据能有效训练模型组成知识,从而在现实问答任务中表现更优。
2026-03-02 cs.AI cs.CL cs.LG
HBO: Hierarchical Balancing Optimization for Fine-Tuning Large Language Models
School of Informatics, University of Edinburgh(爱丁堡大学信息学院);Tongyi Lab, Alibaba Group(阿里集团通义实验室)
HBO通过分层平衡优化方法,在LLM微调中解决数据不平衡和异质性问题,提升跨数据集和单数据集的训练效果。
2026-02-05 cs.CL
Scaling Low-Resource MT via Synthetic Data Generation with LLMs
University of Helsinki(赫尔辛基大学);University of Cambridge(剑桥大学)
本文研究利用LLM生成合成数据来提升低资源机器翻译性能,构建了覆盖147个语言对的合成语料库并发布SynOPUS资源库,实验证明即使数据含噪声也能显著改善低资源语言翻译效果。
2025-09-22 cs.CL
Don't Retrieve, Generate: Prompting LLMs for Synthetic Training Data in Dense Retrieval
本文提出通过提示大型语言模型生成合成硬负样本,用于密集检索模型训练,通过在10个BEIR基准数据集上评估发现,生成模型性能不优于传统方法。
2026-05-10 cs.CL cs.IR
Thinking Fast and Right: Balancing Accuracy and Reasoning Length with Adaptive Rewards
Cornell University(康奈尔大学)
针对强化学习训练的大语言模型推理冗长问题,提出基于模型性能动态调整准确性与长度奖励权衡的自适应方法,在多个数据集上显著缩短推理长度且基本保持准确性。
2025-05-23 cs.CL
Surface Reading LLMs: Synthetic Text and its Styles
University of California, Berkeley(加州大学伯克利分校)
本文针对批判性人工智能研究可能忽视LLMs从现象学层面重塑意义构建的问题,提出“表层完整性”符号学,主张整合表层风格分析与深度批判,通过案例研究揭示LLMs作为文化机器对意义生成传播条件的改变。
2025-11-15 cs.CL cs.CY
From Annotation to Adaptation: Metrics, Synthetic Data, and Aspect Extraction for Aspect-Based Sentiment Analysis with Large Language Models
Saint Mary’s University(圣玛丽大学);York University(约克大学)
针对新领域ABSA中的隐式方面抽取,本文构建合成体育反馈数据集评估开放权重LLM,并提出面向生成式模型的方面抽取评估指标,揭示其潜力与局限。
2025-03-26 cs.CL
Syntriever: How to Train Your Retriever with Synthetic Data from LLMs
Korea University(高丽大学);SK Telecom(SK电信)
针对黑盒LLM无法提供输出概率导致现有蒸馏方法失效的问题,提出Syntriever两阶段训练框架,通过LLM合成并验证数据、用聚类损失训练检索器及部分Plackett-Luce排序对齐偏好,在多领域基准nDCG@K上获最优性能。
2025-02-14 cs.AI cs.CL
Harnessing LLMs for API Interactions: A Framework for Classification and Synthetic Data Generation
New York University(纽约大学);George Washington University(乔治华盛顿大学)
本研究提出一个整合大语言模型的API交互框架,可实现自然语言到API调用的分类及定制化样本数据集自动生成,实验验证了其在模型测试选型中的有效性。
2024-09-18 cs.CL
Course-Correction: Safety Alignment Using Synthetic Preferences
Alibaba Group(阿里巴巴集团);Central South University(中南大学);Ant Group(蚂蚁集团);Nanyang Technological University(南洋理工大学);Tsinghua University(清华大学)
本文提出 C²-Eval 基准评估 LLM 自主航向修正能力,并利用包含 75 万对偏好的合成数据集 C²-Syn 进行偏好学习微调,在不损害通用性能的同时提升安全性与抗越狱能力。
2024-10-26 cs.AI cs.CL cs.LG
SpindleKV: A Novel KV Cache Reduction Method Balancing Both Shallow and Deep Layers
School of Artificial Intelligence, Wuhan University(武汉大学人工智能学院);School of Computer Science, Wuhan University(武汉大学计算机学院);Xiaomi, Beijing, China(小米(北京,中国));School of Information Management, Wuhan University(武汉大学信息管理学院)
针对LLM推理中KV缓存内存瓶颈,提出SpindleKV方法,结合深层注意力权重驱逐与浅层码本替换,平衡各层缩减,在三个LLM的两个基准上优于基线,保持模型性能。
2025-07-09 cs.CL
SyntheticHLS: Building Diverse Synthetic High-Level Synthesis Datasets using LLMs
Georgia Institute of Technology(佐治亚理工学院);Georgia Tech Research Institute(佐治亚理工研究院)
针对HLS数据集稀缺且多样性不足的问题,提出SyntheticHLS框架,利用LLM的迭代反馈引导变异和定量指标生成多样化合成数据集,经交叉验证表明其训练语料库泛化性最佳。
2026-10-02 cs.AR cs.LG