연구진이 생성된 데이터 샘플을 선별할 때, 생성 원인과 관련된 증거 기반 게이팅과 거부된 샘플의 체계적인 복구 가능성을 함께 연구했어요. 실험 결과, 정확한 원인 정보는 더 강력한 판단 기준을 가진 모델의 신뢰성 게이팅을 개선하고, 환각 및 보상 게이팅은 서로 다른 샘플을 거부하는 것을 확인했어요. 또한, 실패 진단과 목표 재생성을 결합한 적응적 복구 파이프라인은 단순 재샘플링보다 높은 수율과 복구율을 달성했어요.
데이터 품질은 생성 모델 규모에 따라 주로 결정되지만, 필터링과 복구 조건도 중요한 역할을 한다는 것을 발견했어요. 연구는 합성 데이터 선별 과정에서 증거 기반 게이팅과 적응적 복구의 중요성을 강조하며, 데이터 품질 향상에 기여할 수 있습니다.
이 연구는 데이터 선별 과정에서 증거 기반 게이팅과 적응적 복구의 중요성을 강조하며, 데이터 품질 향상에 기여할 수 있습니다.