合成 PII データと拡張クイズ
最終更新日: 2026年9月15日
選択式問題
同じ source の paraphrase と OCR variant は、どの順序で扱うべきですか？
- A) すべての variant を生成してから、record ID をランダムに分割する
- B) まず source family を split に割り当て、その後 training のみを拡張する
- C) 各 variant を別々の split に割り当てる
- D) Test で失敗した結果を最初に training へコピーする
回答を表示
回答: B
Split 間で source/variant が漏れるのを防ぐため、すべての派生データを元の source family と同じ split に残します。
24 family それぞれに base 1件と variant 2件がある場合、training record は何件になりますか？
- A) 24
- B) 48
- C) 72
- D) 120
回答を表示
回答: C
24 × 3 = 72 です。Validation/test の8 family では、それぞれ base のみを残します。
合成名を置き換える場合に必要なことは何ですか？
- A) Record ID だけを変更する
- B) Source を変更し、TSV はそのままにする
- C) TSV を変更し、source はそのままにする
- D) Source、entity、TSV を合わせて更新し、lineage を記録する
回答を表示
回答: D
変換後の source に対して正解データを再生成してください。文字列が存在することだけでは、意味的な正しさや完全な annotation は証明されません。
Family と完全一致する source を分離することで、このラボから確認できるのは何ですか？
- A) Family と同一の NFC source が split をまたがない
- B) 人物と identifier がすべての split で重複しない
- C) Template がすべての split で重複しない
- D) 実環境での汎化が検証される
回答を表示
回答: A
一部の名前、template、domain は共有されています。Entity/template/domain を holdout する設計は別途必要です。
この policy で除外される代表電話番号だけを含む negative document を変換した場合、target はどうすべきですか？
- A) 代表電話を PHONE として追加する
- B) Entity と target_tsv を空のままにする
- C) UNKNOWN type を追加する
- D) すべての数字を ACCOUNT として追加する
回答を表示
回答: B
Entity を含まない例も重要です。Domain ごとに negative の定義を設け、実際の training で空の回答に対する EOS supervision を確認してください。
File hash を再計算した後でも、このラボが annotation の漏れを見つけられるのはなぜですか？
- A) Hash がデータ作成者を認証する
- B) 任意の顧客文書に含まれる PII をすべて検出する
- C) Seed と固定された family recipe を使って content も再確認する
- D) Model F1 を自動的に測定する
回答を表示
回答: C
これは固定された合成データの演習を再現できるか確認するものであり、任意の annotation や作成者の身元を検証するものではありません。
Original training と augmentation 後の training を比較する際、何を固定するか記録する必要がありますか？
- A) Test を繰り返し確認し、最良の結果を選ぶ
- B) File 数だけを比較する
- C) Generation の成功だけを比較する
- D) 同じ validation/decoding を使い、example/token/step の予算を記録する
回答を表示
回答: D
Step 数が同じでも、モデルが見るデータの長さや量は異なる場合があります。候補の選択には validation を使ってください。
過去の pairwise overlap 22、36、9を合計した値が、split 間の一意な source group 51件と異なるのはなぜですか？
- A) 3つすべての split にある source は、複数の pairwise intersection に含まれる
- B) NFC source は常に別々の document を識別する
- C) すべての record ID が同じである
- D) 51 は学習済み model の error 数である
回答を表示
回答: A
Pairwise intersection の合計は、一意な source group の数ではありません。これらは CPU でのデータ観測値であり、model performance の値ではありません。