Dati Sintetici da LLM per la Classificazione dei Brevetti: Compromesso tra Volume e Fedeltà

Uno studio recente pubblicato su arXiv (2605.24296) esplora il miglioramento della classificazione multi-etichetta dei brevetti in scenari a basse risorse tramite dati sintetici generati da LLM. La ricerca ha utilizzato sei LLM open-source (da 3,8 a 12 miliardi di parametri), quattro scenari di dati reali, 64 etichette di tecnologia assistiva WIPO, due metodi di generazione dei dati e tre tipi di classificatori. I risultati hanno mostrato un aumento significativo del micro-F1 per BERT-for-Patents, passato da 0,120 a 0,702, principalmente grazie al volume. Un controllo di ricampionamento di 165 brevetti aumentati per eguagliare la dimensione ha raggiunto 0,678, con un guadagno sintetico controllato minimo di +0,024, e +0,219 con la riponderazione focal-loss. È interessante notare che le metriche di fedeltà cambiano con la scala: in condizioni di estrema scarsità, l'MMD correla positivamente con il guadagno di classificazione (r=+0,95), ma questa relazione si inverte a un rapporto 1:10 (r=-0,73; Fisher z=+6,47, p<0,001). La proporzione sintetica ottimale suggerita dal mixing a budget fisso è del 20-30%.