LiBaGS: Sintesi Leggera dei Gap di Confine per la Selezione Mirata di Dati Sintetici

LiBaGS è un approccio efficiente e indipendente dal generatore per la generazione selettiva di dati di addestramento sintetici. Valuta potenziali campioni sintetici integrando fattori come la prossimità ai confini decisionali, l'incertezza predittiva, la densità dei dati reali e la validità del supporto, assicurando che i campioni scelti siano sia informativi che probabilmente situati all'interno del manifold dei dati reali. Il metodo impiega una strategia di allocazione dei gap di confine che si concentra su aree di confine sparse ma realistiche, piuttosto che limitarsi ad aumentare il volume dei dati o scegliere solo i campioni più incerti. Inoltre, LiBaGS identifica quando sono stati incorporati sufficienti campioni sintetici attraverso un criterio di arresto del valore marginale, applica etichette più morbide vicino a confini ambigui e incorpora un obiettivo di diversità per prevenire selezioni ridondanti. Gli esperimenti indicano che LiBaGS migliora le prestazioni del modello affrontando efficacemente le lacune nella distribuzione di addestramento.