論文の概要: Improving Synthetic Data Generation for Argument Mining via Adversarial Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2610.07699v1
- Date: Tue, 06 Oct 2026 03:44:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.788877
- Title: Improving Synthetic Data Generation for Argument Mining via Adversarial Reinforcement Learning
- Title（参考訳）: 対数強化学習によるArgument Miningのための合成データ生成の改善
- Abstract要約: Argument Mining (AM)は、高品質な構造アノテートデータセットの不足によって、基本的に制限されている。
データ合成のための新しい逆強化学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 34.02159405428373
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Argument Mining (AM) is fundamentally constrained by the scarcity of high-quality structure-annotated datasets. While LLMs have shown promise in synthetic data generation, producing synthetic AM data that is both structurally accurate and sufficiently diverse remains a challenging problem. To address this problem, we revisit synthetic data generation for AM from a new perspective and propose a novel adversarial reinforcement learning framework for data synthesis. The proposed framework jointly optimizes the generator and the discriminator in an adversarial loop, in which the generator produces structured AM instances, and the discriminator provides learning signals by distinguishing real data from synthetic candidates. This enables the generator to progressively improve both the structural accuracy of generated argument data while maintaining diversity through adversarial feedback. Extensive experiments demonstrate that the proposed framework consistently improves AM performance on three benchmark datasets in both full-data and low-resource settings, validating its effectiveness and scalability.
- Abstract（参考訳）: Argument Mining (AM)は、高品質な構造アノテートデータセットの不足によって、基本的に制限されている。
LLMは、合成データ生成において有望であるが、構造的に正確かつ十分に多様な合成AMデータを生成することは、依然として難しい問題である。
この問題に対処するため,AMの合成データ生成を新たな視点から再検討し,データ合成のための新たな逆強化学習フレームワークを提案する。
提案フレームワークは, 生成元が構造化AMインスタンスを生成する対向ループにおいて, 生成元と識別器を協調的に最適化し, 識別器は, 合成候補から実データを識別して学習信号を提供する。
これにより、生成元は、敵対的フィードバックを通じて多様性を維持しつつ、生成した引数データの両方の構造的精度を段階的に改善することができる。
大規模な実験により、提案されたフレームワークは、フルデータおよび低リソース設定の3つのベンチマークデータセットにおけるAMパフォーマンスを一貫して改善し、その有効性とスケーラビリティを検証している。
関連論文リスト
- Self-Reinforcing Controllable Synthesis of Rare Relational Data via Bayesian Calibration [12.065354583341518]
本研究では、データ生成にプログレッシブ・チェーン・オブ・シークレット・ステップを用いる、統合されたコンテキスト内学習フレームワークであるRDDGを提案する。
生成したデータの品質を自動評価する自己強化フィードバック機構が組み込まれている。
複数の実・合成データセットに対する実験結果から、RDDGは、データ忠実度と下流不均衡な分類性能の両方において、既存のアプローチよりも優れていることが示された。
論文 参考訳（メタデータ） (2026-04-18T04:15:24Z) - Reinforcement-Guided Synthetic Data Generation for Privacy-Sensitive Identity Recognition [60.52810518437911]
高忠実度生成モデルは、プライバシーに敏感なシナリオでますます必要とされている。
限られたデータによって生成モデルは貧弱になり、データ不足を軽減できない。
汎用ドメイン生成の先行を識別タスクに適応させる,強化誘導型合成データ生成フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-09T06:52:03Z) - Synthline: A Product Line Approach for Synthetic Requirements Engineering Data Generation using Large Language Models [0.5156484100374059]
本稿では,大規模言語モデルを用いて合成要求工学(RE)データを生成する製品ライン(PL)アプローチであるSynthlineを紹介する。
我々の分析によると、合成データセットは実際のデータよりも多様性が低いが、実行可能なトレーニングリソースとして機能するには十分である。
以上の結果から, 合成データと実データを組み合わせることで, 大幅な性能向上が期待できる。
論文 参考訳（メタデータ） (2025-05-06T07:57:16Z) - Scaling Laws of Synthetic Data for Language Models [125.41600201811417]
プレトレーニングコーパスを多種多様な高品質な合成データセットに変換するスケーラブルなフレームワークであるSynthLLMを紹介した。
提案手法は,グラフアルゴリズムを用いて複数の文書にまたがるハイレベルな概念を自動的に抽出し,再結合することで実現している。
論文 参考訳（メタデータ） (2025-03-25T11:07:12Z) - Evaluating Language Models as Synthetic Data Generators [99.16334775127875]
AgoraBenchは、LMのデータ生成能力を評価するための標準化された設定とメトリクスを提供するベンチマークである。
6つのLMを使って126万のトレーニングインスタンスを合成し、99の学生モデルをトレーニングすることで、LMのデータ生成能力に関する重要な洞察を明らかにする。
論文 参考訳（メタデータ） (2024-12-04T19:20:32Z) - Unveiling the Flaws: Exploring Imperfections in Synthetic Data and Mitigation Strategies for Large Language Models [89.88010750772413]
大規模言語モデル(LLM)の学習における高品質なデータ不足問題に対する解決法として,合成データを提案する。
我々の研究は、Q-A(Q-A)ペア、一般的な合成データに関連するこれらの特定の欠陥を掘り下げ、これらの欠陥を軽減するための未学習技術に基づく方法を提案する。
我々の研究は、より堅牢で効率的なLLMトレーニングを促進することを目的として、合成データの効果的な利用に関する重要な洞察を得た。
論文 参考訳（メタデータ） (2024-06-18T08:38:59Z) - Synthetic Oversampling: Theory and A Practical Approach Using LLMs to Address Data Imbalance [16.047084318753377]
不均衡な分類と急激な相関は、データサイエンスと機械学習における一般的な課題である。
近年の進歩は、大規模言語モデルの柔軟性と生成能力を生かして合成サンプルを生成することを提案した。
本稿では,不均衡な分類とスプリアス相関に対処する上で,合成試料の役割を体系的に研究する新たな理論基盤を開発する。
論文 参考訳（メタデータ） (2024-06-05T21:24:26Z) - EPIC: Effective Prompting for Imbalanced-Class Data Synthesis in Tabular Data Classification via Large Language Models [39.347666307218006]
大規模言語モデル (LLM) は、多様なアプリケーションにまたがるテキスト内学習能力を示す。
バランスの取れたデータサンプルと一貫したフォーマットと独自の変数マッピングを併用した新しい手法であるEPICを導入し、不均衡なデータセットであっても、全てのクラスで正確な合成データを生成するのにLLMをガイドする。
論文 参考訳（メタデータ） (2024-04-15T17:49:16Z) - CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。
このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。
提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
論文 参考訳（メタデータ） (2022-03-03T05:58:49Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。