Il Framework RDDG Utilizza LLM e Calibrazione Bayesiana per la Sintesi di Dati Relazionali

Un nuovo framework chiamato RDDG (Relational Data generator with Dynamic Guidance) affronta la sfida dei dati sbilanciati nelle applicazioni del mondo reale sintetizzando dati relazionali di classi rare. Sviluppato da ricercatori e documentato nel preprint arXiv 2604.16817v1, questo approccio impiega modelli linguistici di grandi dimensioni (LLM) all'interno di un framework di apprendimento contestuale per generare dati tabellari strutturati. A differenza dei metodi esistenti, RDDG incorpora un meccanismo di feedback che ottimizza continuamente la qualità dei dati durante la sintesi. Il framework seleziona prima campioni rappresentativi dai dati originali tramite selezione del core set, quindi utilizza l'apprendimento contestuale per scoprire pattern e correlazioni tra gli attributi. Impiega passaggi progressivi di chain-of-thought per migliorare le prestazioni della classificazione sbilanciata a valle. Il lavoro evidenzia l'applicazione poco esplorata degli LLM alla sintesi di dati relazionali, affrontando al contempo la mancanza di meccanismi di feedback efficaci negli approcci attuali. Questa ricerca contribuisce a mitigare i problemi di scarsità di dati attraverso tecniche di sintesi controllabile.