MALLM-GAN: Modelo de Lenguaje Multi-Agente Grande como Red Generativa Antagónica para la Síntesis de Datos Tabulares

En la era de los grandes datos, el acceso a datos abundantes es crucial para impulsar la investigación. Sin embargo, dichos datos a menudo son inaccesibles debido a preocupaciones de privacidad o altos costos, particularmente en el ámbito de la salud. La generación de datos sintéticos (tabulares) puede abordar esto, pero los modelos existentes generalmente requieren cantidades sustanciales de datos para entrenarse de manera efectiva, lo que contradice nuestro objetivo de resolver la escasez de datos. Para abordar este desafío, proponemos un nuevo marco para generar datos tabulares sintéticos, impulsado por modelos de lenguaje grandes (LLMs) que emulan la arquitectura de una Red Generativa Antagónica (GAN). Al incorporar el proceso de generación de datos como información contextual y utilizar LLM como el optimizador, nuestro enfoque mejora significativamente la calidad de la generación de datos sintéticos en escenarios comunes con tamaños de muestra pequeños. Nuestros resultados experimentales en conjuntos de datos públicos y privados demuestran que nuestro modelo supera a varios modelos de última generación en términos de generación de datos sintéticos de mayor calidad para tareas posteriores, mientras mantiene la privacidad de los datos reales.