合成 PII 数据与数据增强测验
最后更新：2026 年 9 月 15 日
单选题
对同一源文本生成释义版本和 OCR 变体时，正确顺序是什么？
- A) 先生成所有变体，再随机划分记录 ID
- B) 先按源文本家族分配数据集，然后只增强训练集
- C) 将每个变体分配到不同的数据集
- D) 先把测试集中的失败样例复制到训练集
显示答案
答案：B
所有衍生版本都必须与其源文本家族留在同一个数据集中，以防止源文本/变体跨数据集泄漏。
24 个家族中每个家族有一个基础版本和两个变体，最终会产生多少条训练记录？
- A) 24
- B) 48
- C) 72
- D) 120
显示答案
答案：C
24 × 3 = 72。验证集/测试集中的 8 个家族各自只保留基础版本。
替换合成姓名时，必须做什么？
- A) 只更改记录 ID
- B) 更改源文本，但保留 TSV
- C) 更改 TSV，但保留源文本
- D) 同步更新源文本、实体标注和 TSV，并记录数据血缘
显示答案
答案：D
应根据转换后的源文本重新生成 gold 标注。仅确认字符串存在，仍不足以证明语义正确或标注完整。
通过家族和完全相同的源文本分离，此实验验证了什么？
- A) 同一家族和相同 NFC 源文本不会跨数据集
- B) 所有人员和标识符都按数据集完全分离
- C) 所有模板都按数据集完全分离
- D) 已验证模型能泛化到真实场景
显示答案
答案：A
部分姓名、模板和领域在不同数据集中仍然共享。实体/模板/领域留出需要单独设计。
按照此策略，如果转换后的负样本文档只包含一个被排除的总机号码，其目标应是什么？
- A) 将总机号码标注为 PHONE
- B) 保持 entities 和 target_tsv 为空
- C) 添加 UNKNOWN 类型
- D) 将所有数字标注为 ACCOUNT
显示答案
答案：B
不含实体的样例也很重要。应为该领域定义负样例，并在实际训练中验证空答案的 EOS 监督。
为什么即使重新计算了文件哈希，此实验仍能拒绝缺失的标签？
- A) 哈希可以验证产出者身份
- B) 它能找出任意客户文档中的每项 PII
- C) 它还会根据种子和固定的源文本家族生成规则重新核对内容
- D) 它会自动计算模型 F1
显示答案
答案：C
此检查验证固定合成练习的可复现性，不验证任意标注，也不验证产出者身份。
比较原始训练与增强训练时，应保持哪些条件一致或记录哪些内容？
- A) 通过反复查看测试集来挑选最佳结果
- B) 只比较文件数
- C) 只比较生成是否成功
- D) 使用相同的验证/解码设置，并记录样例数/Token 数/训练步数预算
显示答案
答案：D
即使训练步数相同，模型接触的数据长度和数量仍可能不同。应使用验证集选择候选方案。
为什么历史上的成对重叠数 22、36 和 9 相加，不等于 51 个唯一的跨数据集源文本组？
- A) 同时出现在三个数据集中的源文本会被计入多个成对交集
- B) NFC 源文本总是对应不同文档
- C) 所有记录 ID 都相同
- D) 51 是训练后的模型错误数
显示答案
答案：A
成对交集之和不等于唯一源文本组的数量。这些是 CPU 数据观察结果，不是模型性能数据。