合成拡張推論のためのサイズ-重量フロンティアの学習

実データが少ない場合に統計的推論を改善する合成データ利用の一般フレームワークを開発。合成データの数と重みを特徴づけ、サイズと重みのフロンティアにより、各重みに対して最大の合成サンプルサイズを規定する。

• 合成データを用いて統計的推論の精度を向上させるフレームワークを提案している。
• 合成データのサンプル数とその重みを特徴づけ、サイズ-重量フロンティアを導入している。
• フロンティアにより、あらゆる重みに対して目標とするカバレッジを達成する最大の合成サンプルサイズを特定する。
• LLM応答を意見調査データに活用する実験で、目標カバレッジを達成し信頼区間を狭小化することに成功した。