Migliorare la generazione di dati sintetici per l’analisi delle argomentazioni mediante apprendimento per rinforzo avversario

Abstract degli autori

L’analisi delle argomentazioni (Argument Mining, AM) è fondamentalmente limitata dalla scarsità di dataset di alta qualità con annotazioni strutturali. Sebbene i LLM abbiano mostrato potenzialità nella generazione di dati sintetici, produrre dati sintetici per l’AM che siano strutturalmente accurati e sufficientemente diversificati resta difficile. Per affrontare il problema, riconsideriamo la generazione di dati sintetici per l’AM da una nuova prospettiva e proponiamo un nuovo framework di apprendimento per rinforzo avversario per la sintesi dei dati. Il framework proposto ottimizza congiuntamente il generatore e il discriminatore in un ciclo avversario: il generatore produce esempi strutturati di AM, mentre il discriminatore fornisce segnali di apprendimento distinguendo i dati reali dai candidati sintetici. Il feedback avversario consente così al generatore di migliorare progressivamente l’accuratezza strutturale dei dati argomentativi generati, mantenendone al contempo la diversità. Esperimenti approfonditi dimostrano che il framework proposto migliora sistematicamente le prestazioni nell’AM su tre dataset benchmark, sia con dati completi sia in condizioni di risorse limitate, confermandone l’efficacia e la scalabilità.