Os dados sintéticos gerados pelo GraphGen têm pontos fortes centrais em três dimensões:
1. vantagem da cobertura de conhecimento
aprovar (um projeto de lei ou inspeção etc.)Amostragem de vizinhança multihopEle descobre automaticamente associações implícitas no texto (por exemplo, a relação indireta de A→B→C) e pode gerar pares de perguntas e respostas contendo cadeias lógicas complexas, expandindo a cobertura do conhecimento em cerca de 40% em comparação com a anotação manual. O sistema é particularmente bom em capturarPontos de conhecimento da cauda longaMuitas vezes, eles são ignorados na anotação manual devido ao custo.
2. vantagens do controle de qualidade
Com base nos indicadores de ECEMecanismo de calibração dinâmicaGaranta que a geração se concentre nos pontos fracos do modelo e evite a tendência subjetiva na rotulagem manual. Suporte ao sistemaControle paramétrico de estilo(por exemplo, definir detail_level=3 para gerar respostas em nível de documento técnico) para garantir a consistência do estilo dos dados.
3. vantagens de custo de eficiência
O tempo médio para processar 1.000 textos é de cerca de 2 horas (NVIDIA V100), a 1/5 do custo da anotação manual. viaReutilização de gráficos de conhecimentoNão há necessidade de repetir a etapa de construção do mapa quando o mesmo corpus gera dados em estilos diferentes.
Deve-se enfatizar que a versão atual ainda é inferior à anotação de especialistas humanos para tarefas criativas (por exemplo, geração de histórias) e, portanto, é mais adequada paraReforço do conhecimento factualCena.
Essa resposta foi extraída do artigoGraphGen: ajuste fino de modelos de linguagem usando gráficos de conhecimento para gerar dados sintéticosO
