LLM 데이터 감사자: 합성 데이터 평가의 품질 및 신뢰성에 관한 지표 중심 조사

The LLM Data Auditor: A Metric-oriented Survey on Quality and Trustworthiness in Evaluating Synthetic Data

대규모 언어 모델(LLM)은 다양한 모달리티에 걸쳐 데이터를 생성하는 강력한 도구로 부상했습니다. LLM은 데이터를 희소 자원에서 제어 가능한 자산으로 전환함으로써 모델 훈련, 평가 및 시스템 반복 개선을 위한 실제 데이터 수집 비용에 따른 병목 현상을 완화합니다. 그러나 LLM이 생성한 합성 데이터의 고품질을 보장하는 것은 여전히 중요한 과제입니다. 기존 연구는 주로 생성 방법론에 집중되어 있으며, 생성된 데이터의 품질에 대한 직접적인 관심은 제한적입니다. 또한 대부분의 연구가 단일 모달리티에 국한되어 있어, 다양한 데이터 유형을 아우르는 통합된 관점이 부족합니다. 이러한 간극을 메우기 위해 본 논문에서는 'LLM Data Auditor 프레임워크'를 제안합니다. 이 프레임워크에서 우리는 먼저 6가지 고유한 모달리티에 걸쳐 데이터를 생성하는 데 LLM이 어떻게 활용되는지 설명합니다. 무엇보다 중요한 점은 합성 데이터를 평가하기 위한 내재적 지표를 품질과 신뢰성이라는 두 가지 차원에서 체계적으로 분류했다는 것입니다. 이러한 접근 방식은 하위 작업(downstream task) 성능에 의존하는 외재적 평가에서 데이터 자체의 고유한 속성으로 초점을 전환합니다. 이 평가 시스템을 활용하여 각 모달리티의 대표적인 생성 방법에 대한 실험적 평가를 분석하고, 현재 평가 관행의 상당한 결함을 식별합니다. 이러한 발견을 바탕으로 데이터 생성 평가를 개선하기 위한 구체적인 권장 사항을 학계에 제시합니다. 마지막으로, 이 프레임워크는 다양한 모달리티에 걸친 합성 데이터의 실제 적용을 위한 방법론을 개괄합니다.

Large Language Models (LLMs) have emerged as powerful tools for generating data across various modalities. By transforming data from a scarce resource into a controllable asset, LLMs mitigate the bottlenecks imposed by the acquisition costs of real-world data for model training, evaluation, and system iteration. However, ensuring the high quality of LLM-generated synthetic data remains a critical challenge. Existing research primarily focuses on generation methodologies, with limited direct attention to the quality of the resulting data. Furthermore, most studies are restricted to single modalities, lacking a unified perspective across different data types. To bridge this gap, we propose the \textbf{LLM Data Auditor framework}. In this framework, we first describe how LLMs are utilized to generate data across six distinct modalities. More importantly, we systematically categorize intrinsic metrics for evaluating synthetic data from two dimensions: quality and trustworthiness. This approach shifts the focus from extrinsic evaluation, which relies on downstream task performance, to the inherent properties of the data itself. Using this evaluation system, we analyze the experimental evaluations of representative generation methods for each modality and identify substantial deficiencies in current evaluation practices. Based on these findings, we offer concrete recommendations for the community to improve the evaluation of data generation. Finally, the framework outlines methodologies for the practical application of synthetic data across different modalities.