연구진은 In-Context 학습의 효율성을 높이기 위한 GRaSp 프레임워크를 제안했는데, 이는 합성 예제 풀 생성, 클러스터링 및 차원 축소, 유전 알고리즘을 활용하여 최적의 예제를 찾는 3단계로 구성됩니다.
GRaSp는 FiNER-139(금융 명칭 개체 인식) 작업에서 45.84%의 micro-F1 점수를 달성하며, 제로샷 및 랜덤 퓨샷 기준선보다 우수한 성능을 보였습니다.
합성 데이터는 랜덤 기준선을 넘지 못했는데, 이는 후보 풀의 다양성이 일반화에 중요함을 시사합니다.