On The Role of Prompt Construction In Enhancing Efficacy and Efficiency of LLM-Based Tabular Data Generation

要約

現実世界の表のデータのLLMベースのデータ生成は、列を記述するために使用される機能名に十分なセマンティックコンテキストがないことにより挑戦することができます。
ドメイン固有の洞察を使用してプロンプトを濃縮すると、データ生成の品質と効率の両方が改善できると仮定します。
この仮説をテストするために、3つの迅速な構築プロトコルを調査します。エキスパートガイド、LLMガイド、小説マッピングです。
最近提案された優れたフレームワークを使用した実証研究を通じて、コンテキストが豊富なプロンプトがデータ生成の品質とトレーニング効率を大幅に改善することにつながることがわかりました。

要約(オリジナル)

LLM-based data generation for real-world tabular data can be challenged by the lack of sufficient semantic context in feature names used to describe columns. We hypothesize that enriching prompts with domain-specific insights can improve both the quality and efficiency of data generation. To test this hypothesis, we explore three prompt construction protocols: Expert-guided, LLM-guided, and Novel-Mapping. Through empirical studies with the recently proposed GReaT framework, we find that context-enriched prompts lead to significantly improved data generation quality and training efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google