自然语言处理（NLP）中的低资源任务（例如医药文本的事件检测、关系三元组抽取等）往往缺乏大量的已标注数据，从而难以训练或微调专门的模型。在没有大量已标注数据的情况下，仅基于通用的预训练模型，采用Zero-Shot或者Few-Shot推理来完成这些任务，完成任务的效果目前来说往往较差12。
获得大量标注数据的一条途径是人工标注，但是人工标注的成本一般较高。另一条途径是使用大语言模型（LLM）来生成标注数据。根据近期发布的一篇论文1，使用LLM生成标注数据有以下几种方式：正向生成（Forward Generation）、反向生成（Inverse Generation）、以及正反向生成（Forward-Inverse Generation，简称FIG）。
正向生成
正向生成（Forward Generation）比较容易理解。假设存在未标注的专门领域文本数据。正向生成就是针对未标注的文本数据，让LLM生成标注结果（或称"标签"）。
正向生成可以用X→Y'来表示，其中，X表示原始的文本数据，Y'表示LLM生成的标签，'表示噪音；{(X,Y')}表示{(待标注文本,标签)}数据集。
正向生成的缺点是：所生成的标签的质量取决于LLM的推理能力；由于推理、尤其较复杂的推理目前还不是一般LLM的强项，所生成标签的准确性不高、且不容易控制。
反向生成
反向生成（Inverse Generation）根据已有的、或者已生成的标签，让LLM生成文本数据。
以一个信息抽取任务为例3，反向生成简单来说首先根据种子数据生成具有一定结构的抽取信息，然后提示LLM生成含有抽取信息的文本。
反向生成可以用Y'→X'来表示，其中，Y'表示已有的、或者已生成的标签，X'表示LLM生成的文本，'表示噪音；{(X',Y')}表示{(待标注文本,标签)}数据集。
反向生成可以发挥LLM在文本生成方面的长处。同时，反向生成也存在以下的缺点：
- LLM所生成的文本内容分布较广，较难限制在一个专门领域之内，即使在提示语中加入限制领域的要求，问题也得不到较好的解决1；
- LLM所生成的文本中可能含有属于其它标签的内容，从而使得标注不完整，影响生成文本的准确性以及已有的、或者已生成的标签的准确性。
正反向生成
正反向生成（FIG）是一种综合了正向生成和反向生成的混合式方法，目的是提高LLM所生成的标注数据的质量。在一篇以事件检测（Event Detection）标注数据的生成为背景的论文1中，对于正反向生成的描述大致是这样的：
- 假设存在未标注的专门领域文本数据。首先，针对未标注文本数据，通过正向生成来提取事件类型和触发词，并将事件类型和经过筛选的触发词组织成一定的结构；
- 根据上一步产生的信息、以及任务指示和事件定义，通过反向生成来生成文本数据X'；
- 针对上一步产生的文本数据X'，再次通过正向生成标注出全部标签，以确保所有应该被标注的信息均被标注。
上述论文1的实验结果表明，与正向生成相比，正反向生成所生成的标签更准确；与反向生成相比，正反向生成所生成的文本可以更好地限制在一个专门领域内。
在分别使用：
- 正向生成、
- 反向生成、以及
- 正反向生成
生成标注数据，并训练下游的事件检测（Event Detection）模型后，正反向生成所生成的标注数据，其训练出的下游模型在测试中的表现最优。
测试的结果还表明，正反向生成所生成的标注数据，其训练出的模型明显优于ChatGPT的直接推理，但是落后于人工标注数据所训练出的模型。
不过对于低资源任务来说，由于缺乏人工标注数据，以上最后一项比较的实际意义也许并不大。
参考文献
1 FIG: Forward-Inverse Generation for Low-Resource Domain-specific Event Detection.
2 TextEE: Benchmark, Reevaluation, Reflections, and Future Challenges in Event Extraction.
3 STAR: Boosting Low-Resource Information Extraction by Structure-to-Text Data Generation with Large Language Models.
封面图：CHUTTERSNAP、Unsplash