研究发现：合成数据在嵌入空间中的位置比数量更能影响NLP分类性能
arXiv论文基于英语单词look的语用功能分类实验，比较六种合成数据放置条件后发现，靠近真实训练数据的合成样本（NEAR）带来最大macro F提升（0.113），距离均衡混合方案取得最高准确率（0.748）。
AI解读：合成数据常用于解决NLP类别不平衡，但以往只看生成数量多少，忽略了它们在模型表示空间中的位置。这篇论文用英语单词look的四种语用功能分类做实验，比较合成样本放在决策边界附近、远处还是混合分布下的效果，发现靠近真实数据的样本（NEAR）对提升macro F作用最大，而距离均衡的混合样本准确率最高。这说明合成数据不是越多越好，放在哪里同样关键。直接启示是：做低资源语用分类的研究者，可以用Llama生成数据后按与真实样本的余弦距离筛选、控制放置位置，而不是盲目堆量。不过实验只覆盖410个实例和单一词项，AUC没有改善，说明合成数据只是移动了决策边界，没有改进模型本身的概率估计，效果有局限。
一篇arXiv预印本论文研究了合成数据增强在话语语用功能分类中的作用，发现合成样本在表示空间中的位置对模型性能影响显著，且其效果不依赖于生成数量。该论文由Sara Sorahi、Kevin Tang和Reza Kazemian撰写，于 2026 年 9 月 3 日提交至arXiv（编号 2609.03652）。
研究使用英国国家语料库中英语单词look的 410 条人工标注实例，涵盖四个语用功能：注意力信号、指令、话语标记和感叹词。研究者用Llama 3.1生成合成训练样本，并根据它们在RoBERTa嵌入空间中与真实训练数据的余弦距离进行分区。