📊 statistics

Large Language Models for Imbalanced Classification: Diversity makes the difference

यह शोध पत्र एक नवीन लार्ज लैंग्वेज मॉडल-आधारित ओवरसैंपलिंग पद्धति प्रस्तावित करता है जो एक कंडीशनल जनरेशन स्ट्रैटेजी, एक नए परम्यूटेशन-आधारित फाइन-ट्यूनिंग दृष्टिकोण और इंटरपोलेशन के माध्यम से सिंथेटिक माइनॉरिटी सैंपल्स की विविधता और यथार्थता को बढ़ाता है, जिससे यह इम्बैलेंस्ड क्लासिफिकेशन कार्यों में मौजूदा स्टेट-ऑफ-द-आर्ट तकनीकों से काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Dang Nguyen, Sunil Gupta, Kien Do, Thin Nguyen, Taylor Braund, Alexis Whitton, Svetha Venkatesh

प्रकाशित 2026-06-09

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Dang Nguyen, Sunil Gupta, Kien Do, Thin Nguyen, Taylor Braund, Alexis Whitton, Svetha Venkatesh

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ "Large Language Models for Imbalanced Classification: Diversity makes the difference" शोध पत्र का सरल भाषा और रचनात्मक उपमाओं (analogies) के साथ विवरण दिया गया है।

समस्या: "दुर्लभ बीमारी" वाली कक्षा (The "Rare Disease" Classroom)

कल्पना कीजिए कि एक शिक्षक दो प्रकार के छात्रों के बारे में एक कक्षा को पढ़ाने की कोशिश कर रहा है: "नियमित छात्र" (जो कक्षा का 90% हिस्सा हैं) और "दुर्लभ छात्र" (जो केवल 10% हिस्सा हैं)।

यदि शिक्षक केवल 90% बहुमत पर ध्यान देता है, तो वह "नियमित छात्रों" के बारे में सब कुछ सीख जाएगा लेकिन "दुर्लभ छात्रों" के बारे में वह लगभग कुछ भी नहीं जान पाएगा। जब परीक्षा आती है, तो शिक्षक संभवतः यह अनुमान लगाएगा कि सभी "नियमित छात्र" हैं क्योंकि उसने सबसे अधिक बार यही देखा है। वह अल्पसंख्यक समूह के अनूठे गुणों को पहचानने में विफल रहता है।

डेटा साइंस में, इसे इम्बैलेंस्ड क्लासिफिकेशन (Imbalanced Classification) कहा जाता है। लक्ष्य कंप्यूटर को दुर्लभ समूह को सामान्य समूह की तरह ही अच्छी तरह से पहचानना सिखाना है।

पुराना समाधान: "कॉपी-पेस्ट" की गलती (The "Copy-Paste" Mistake)

इसे ठीक करने के लिए, डेटा वैज्ञानिक आमतौर पर "दुर्लभ छात्रों" के अधिक उदाहरण बनाने की कोशिश करते हैं ताकि कक्षा संतुलित हो सके।

पुराना तरीका (SMOTE): कल्पना कीजिए कि दो वास्तविक "दुर्लभ छात्रों" को लिया जाता है, उन्हें मापा जाता है, और उनके ठीक बीच में एक नया छात्र बना दिया जाता है। यह एक फोटोकॉपी की फोटोकॉपी बनाने जैसा है।
समस्या: यदि डेटा में श्रेणियाँ (जैसे "पद" या "शिक्षा का स्तर") हैं, तो आप केवल "डॉक्टर" और "शिक्षक" के बीच एक रेखा नहीं खींच सकते ताकि एक नया पेशा मिल सके। इसके लिए आपको पहले उन शब्दों को संख्याओं में बदलना पड़ता है, जिससे अक्सर महत्वपूर्ण विवरण खो जाते हैं। यह एक पेंटिंग को केवल स्प्रेडशीट का उपयोग करके वर्णित करने जैसा है।

नया विचार: "AI कहानीकार" (The "AI Storyteller")

हाल ही में, वैज्ञानिकों ने लार्ज लैंग्वेज मॉडल्स (LLMs) का उपयोग करना शुरू किया—वही प्रकार का AI जो निबंध लिखता है या आपसे चैट करता है—इन लापता "दुर्लभ छात्रों" को उत्पन्न करने के लिए। शब्दों को संख्याओं में बदलने के बजाय, AI डेटा को एक कहानी के रूप में पढ़ता है (जैसे, "जॉन एक डॉक्टर है, 40 घंटे काम करता है, और $200k कमाता है")।

हालाँकि, शोध पत्र ने पाया कि इन AI कहानीकारों के उपयोग में एक बड़ी खामी थी:
वे बहुत दोहराव वाले (repetitive) थे। यदि आप AI से पूछते, "मुझे एक दुर्लभ छात्र के बारे में एक कहानी सुनाओ," और वह आपको वही कहानी 1,000 बार देता है, तो वह शिक्षक को कुछ भी नया सीखने में मदद नहीं करेगा। AI केवल उन्हीं कुछ पैटर्नों को दोहरा रहा था, जिससे एक विविध कक्षा के बजाय "दर्पणों का हॉल" (hall of mirrors) बन गया।

समाधान: ImbLLM (The "Diverse Storyteller")

लेखकों ने एक नया तरीका प्रस्तावित किया जिसे ImbLLM कहा जाता है। उन्होंने नए "छात्रों" को विविध और यथार्थवादी सुनिश्चित करने के लिए तीन चतुर तरकीबों के साथ AI की कहानी कहने की आदतों को ठीक किया।

1. "विशिष्ट प्रॉम्प्ट" की तरकीब (Sampling)

पुराना तरीका: AI से पूछा जाता था, "मुझे एक दुर्लभ छात्र के बारे में एक कहानी सुनाओ।" यह सबसे संभावित शब्दों को चुनता और बार-बार एक ही कहानी दोहराता।
ImbLLM का तरीका: लेखक AI को कहते हैं, "मुझे एक दुर्लभ छात्र के बारे में एक कहानी सुनाओ जिसमें एक विशिष्ट विशेषता भी हो, जैसे कि एक विशिष्ट नौकरी या आय।"
उपमा: बजाय इसके कि एक शेफ से पूछें, "मेरे लिए एक मिठाई बनाओ," और हर बार एक ही चॉकलेट केक मिले, आप कहते हैं, "मेरे लिए एक मिठाई बनाओ, लेकिन इसमें स्ट्रॉबेरी होनी चाहिए।" फिर, अगली बार, आप कहते हैं, "मेरे लिए एक मिठाई बनाओ, लेकिन इसमें नींबू होना चाहिए।" यह AI को एक सुरक्षित रेसिपी पर टिके रहने के बजाय अलग-अलग स्वादों (विशेषताओं) को खोजने के लिए मजबूर करता है।

2. "पहली पंक्ति की सीट" की तरकीब (Permutation)

पुराना तरीका: AI को प्रशिक्षित करते समय, शोधकर्ता कहानी के क्रम को उलट देते थे। कभी-कभी "दुर्लभ छात्र" का लेबल वाक्य के अंत में होता था। क्योंकि इन AI मॉडल्स के काम करने का तरीका (जो बाएँ-से-दाएँ पढ़ते हैं) ऐसा है, AI वाक्य के अंत तक पहुँचते-पहुँचते "दुर्लभ" लेबल को भूल जाता था, जिससे लेबल और विशेषताओं के बीच का संबंध टूट जाता था।
ImbLLm का तरीका: वे "दुर्लभ छात्र" लेबल को वाक्य के बिल्कुल शुरुआत में रखते हैं, जैसे कि एक शीर्षक, और बाकी विवरणों को उलट-पुलट (shuffle) देते हैं।
उपमा: कल्पना कीजिए कि एक जासूस केस सुलझाने की कोशिश कर रहा है। यदि सुराग "संदिग्ध एक डॉक्टर है" एक लंबी रिपोर्ट के नीचे दबा हुआ है, तो जासूस उसे मिस कर सकता है। ImbLLM इस सुराग को पेज के ऊपर बड़े, बोल्ड अक्षरों में रखता है ताकि AI कभी न भूले कि उसे किसका वर्णन करना है।

3. "अभ्यास सत्र" की तरकीब (Fine-Tuning & Interpolation)

पुराना तरीका: AI को "सामान्य छात्रों" और "दुर्लभ छात्रों" दोनों पर प्रशिक्षित किया जाता था। इसने AI को भ्रमित कर दिया; यह "दुर्लभ छात्रों" को "सामान्य छात्रों" जैसा बनाने की कोशिश करने लगा। साथ ही, कुछ तरीकों ने यह जाँचने के लिए एक कमजोर परीक्षण का उपयोग किया कि क्या नई कहानियाँ "वास्तविक" हैं, जो अक्सर विफल रहा।
ImbLLM का तरीका: उन्होंने AI को केवल "दुर्लभ छात्रों" (और उनके गणितीय रूप से मिश्रित संस्करणों) पर प्रशिक्षित किया।
उपमा: एक बास्केटबॉल खिलाड़ी को NBA सितारों और छोटे बच्चों दोनों को दिखाकर सिखाने के बजाय, आप उन्हें केवल NBA सितारों को दिखाते हैं। आप चाहते हैं कि वे प्रोफेशनल्स की विशिष्ट चालों को सीखें।
"इंटरपोलेशन" बोनस: चूंकि उनके पास सीखने के लिए बहुत कम "दुर्लभ छात्र" हैं, इसलिए AI को सभी संभावित विविधताओं का ज्ञान नहीं हो सकता है। लेखकों ने "अभ्यास छात्र" बनाकर अंतराल को भरा, जिसमें दो वास्तविक दुर्लभ छात्रों के निरंतर गुणों (जैसे आयु या वेतन) को गणितीय रूप से मिलाकर एक नया, थोड़ा अलग छात्र बनाया गया। यह खाली जगहों को भरता है, यह सुनिश्चित करता है कि AI प्रशिक्षण डेटा में देखे गए उदाहरणों के बजाय संभावनाओं की पूरी श्रृंखला को सीखे।

परिणाम: एक बेहतर कक्षा

लेखकों ने 10 अलग-अलग वास्तविक दुनिया के डेटासेट (जैसे मेडिकल रिकॉर्ड या क्रेडिट कार्ड डेटा) पर इस नए तरीके का परीक्षण किया।

प्रदर्शन: ImbLLM ने 8 अन्य शीर्ष तरीकों को पछाड़ दिया। यह 5 मामलों में सर्वश्रेष्ठ था और 3 मामलों में दूसरे स्थान पर था।
गुणवत्ता: ImbLLM द्वारा बनाए गए नकली "दुर्लभ छात्र" न केवल यथार्थवादी (वे वास्तविक डेटा की तरह दिखते थे) थे, बल्कि विविध (उन्होंने कई अलग-अलग दुर्लभ परिदृश्यों को कवर किया) भी थे।
यह क्यों मायने रखता है: क्योंकि AI ने विविध उदाहरणों के सेट से सीखा, अंतिम क्लासिफायर ("शिक्षक") उन दुर्लभ मामलों को पहचानने में बहुत बेहतर हो गया जिन्हें उसने पहले अनदेखा कर दिया था।

सारांश

यह शोध पत्र तर्क देता है कि केवल AI का उपयोग डेटा उत्पन्न करने के लिए करना पर्याप्त नहीं है; आपको AI को यह सिखाना होगा कि वह रचनात्मक और केंद्रित कैसे बने। विशिष्ट विशेषताओं को देखने के लिए AI को मजबूर करके, मुख्य लक्ष्य को स्पष्ट दृष्टि में रखकर, और इसे विशेष रूप से दुर्लभ उदाहरणों पर प्रशिक्षित करके, उन्होंने एक ऐसा तरीका बनाया जो पिछले प्रयासों की तुलना में "इम्बैलेंस्ड डेटा" की समस्या को बहुत बेहतर तरीके से हल करता है।

तकनीकी सारांश: असंतुलित वर्गीकरण के लिए लार्ज लैंग्वेज मॉडल्स: विविधता ही अंतर पैदा करती है

समस्या विवरण

असंतुलित वर्गीकरण (Imbalanced classification) मशीन लर्निंग में एक महत्वपूर्ण चुनौती बना हुआ है, विशेष रूप से तब जब सारणीबद्ध डेटा (tabular data) के साथ काम किया जा रहा हो जहाँ अल्पसंख्यक वर्गों (जैसे दुर्लभ रोग) के पास बहुसंख्यक वर्गों की तुलना में काफी कम नमूने होते हैं। पारंपरिक ओवरसैंपलिंग विधियाँ, जैसे कि SMOTE, सिंथेटिक अल्पसंख्यक नमूनों को उत्पन्न करके इस समस्या का समाधान करती हैं। हालाँकि, इन दृष्टिकोणों के लिए अक्सर श्रेणीबद्ध चरों (categorical variables) को संख्यात्मक वेक्टर्स में बदलने (ordinal या one-hot encoding के माध्यम से) की आवश्यकता होती है, जिससे सूचना की हानि और आर्टिफ़ेक्ट्स (artifacts) उत्पन्न होते हैं।

जबकि हाल ही में उभरते हुए लार्ज लैंग्वेज मॉडल (LLM)-आधारित तरीके सारणीबद्ध डेटा को टेक्स्ट के रूप में संभालने के लिए उपयोग किए जाते हैं—जो चर संदर्भों (variable contexts) को सुरक्षित रखते हैं और संख्यात्मक रूपांतरण से बचते हैं—वे एक अलग सीमा से ग्रस्त हैं: सीमित विविधता। मौजूदा LLM-आधारित दृष्टिकोण आमतौर पर ऐसे सिंथेटिक अल्पसंख्यक नमूने उत्पन्न करते हैं जो एक-दूसरे के बहुत समान होते हैं। विविधता की यह कमी डाउनस्ट्रीम क्लासिफायर की मजबूती और सामान्यीकरण क्षमता (generalizability) को कम कर देती है। इसके अलावा, वर्तमान विधियाँ अक्सर अविश्वसनीय सत्यापन चरणों (external क्लासिफायर या असंतुलित डेटा पर प्रशिक्षित स्वयं LLM का उपयोग करके) पर निर्भर करती हैं, जिससे वैध डेटा को खारिज किया जा सकता है।

कार्यप्रणाली: ImbLLM

लेखक ImbLLM का प्रस्ताव करते हैं, जो एक नवीन LLM-आधारित ओवरसैंपलिंग फ्रेमवर्क है जिसे सिंथेटिक अल्पसंख्यक नमूनों की विविधता और गुणवत्ता बढ़ाने के लिए डिज़ाइन किया गया है। यह विधि मौजूदा बेसलाइन्स की तुलना में तीन विशिष्ट तकनीकी सुधार पेश करती है:

1. विविधता-सशर्त सैंपलिंग (`condition_yx`)

मौजूदा विधियाँ केवल अल्पसंख्यक लेबल (जैसे, "आय ≥200K है") के आधार पर LLM को क्वेरी करने के लिए प्रॉम्प्ट बनाती हैं। टोकन प्रेडिक्शन में उपयोग किए जाने वाले सॉफ्टमैक्स फंक्शन के कारण, समान प्रॉम्प्ट अक्सर अत्यधिक समान आउटपुट देते हैं।

नवाचार: ImbLLM प्रॉम्प्ट को अल्पसंख्यक लेबल और एक यादृच्छिक रूप से चुने गए फीचर (feature) दोनों पर आधारित बनाकर तैयार करता है।
तंत्र: प्रत्येक जनरेशन के लिए, सिस्टम अल्पसंख्यक वितरण से एक फीचर $X_i$ और उसका मान $v_i$ सैंपल करता है, जिससे एक प्रॉम्प्ट बनता है जैसे "आय ≥200K है, शिक्षा स्नातक है।" कंडीशनिंग इनपुट्स में यह भिन्नता LLM को फीचर स्पेस के विभिन्न क्षेत्रों को खोजने के लिए मजबूर करती है, जिससे अधिक विविध सिंथेटिक नमूने उत्पन्न होते हैं।

2. फिक्स्ड लेबल के साथ फीचर परम्यूटेशन (`fix_y`)

मानक LLM-आधारित विधियाँ फाइन-ट्यूनिंग के दौरान पोजीशनल बायस (positional bias) को रोकने के लिए फीचर्स ( $X$ ) और टारगेट वेरिएबल ( $Y$ ) दोनों को परम्यूट (परिवर्तित) करती हैं। हालाँकि, डिकोडर-ओनली LLMs में, अटेंशन मैकेनिज्म मास्क किया गया होता है ताकि एक टोकन केवल पूर्ववर्ती टोकन को ही देख सके।

समस्या: यदि अल्पसंख्यक लेबल $Y$ को अनुक्रम (sequence) के मध्य या अंत में स्थानांतरित किया जाता है, तो वह उससे पहले के फीचर्स को देख नहीं पाता है, जिससे उस लेबल के आधार पर विविध फीचर्स उत्पन्न करने की मॉडल की क्षमता सीमित हो जाती है।
नवाचार: ImbLLM अल्पसंख्यक लेबल ( $Y$ ) को वाक्य के शुरुआत में फिक्स करता है और केवल फीचर्स ( $X$ ) को परम्यूट करता है।
तंत्र: $Y$ को पहले रखने से (जैसे, "आय ≥200K है, शिक्षा स्नातक है..."), लेबल अटेंशन मैकेनिज्म के माध्यम से सभी आगामी फीचर्स को देख सकता है, जिससे यह सुनिश्चित होता है कि उत्पन्न फीचर्स टारगेट क्लास पर पूरी तरह से आधारित हैं।

3. इंटरपोलेशन के साथ फाइन-ट्यूनिंग (`minor+interpolate`)

मौजूदा विधियाँ बहुसंख्यक और अल्पसंख्यक दोनों डेटा पर LLM को फाइन-ट्यून करती हैं, और फिर यह सत्यापित करने का प्रयास करती हैं कि सिंथेटिक नमूने अल्पसंख्यक वर्ग के हैं या नहीं। यह सत्यापन अक्सर अविश्वसनीय होता है क्योंकि सत्यापनकर्ता (verifier) असंतुलित डेटा पर प्रशिक्षित होता है।

नवाचार: ImbLLM केवल अल्पसंख्यक नमूनों और इंटरपोलेटेड नमूनों पर LLM को फाइन-ट्यून करता है, जिससे फाइन-ट्यूनिंग चरण से बहुसंख्यक वर्ग को पूरी तरह से हटा दिया जाता है।
तंत्र: अल्पसंख्यक डेटा की कमी (जो निरंतर चर डोमेन के पर्याप्त कवरेज की कमी रख सकता है) को दूर करने के लिए, लेखक एक इंटरपोलेशन स्टेप पेश करते हैं। वे मौजूदा अल्पसंख्यक नमूनों के बीच इंटरपोलेशन करके सिंथेटिक निरंतर मान उत्पन्न करते हैं ( $x'_i = x^c_i + \epsilon(x^c_j - x^c_i)$ )। इसके बाद LLM को मूल अल्पसंख्यक नमूनों और इन इंटरपोलेटेड नमूनों के संयोजन पर फाइन-ट्यून किया जाता है। यह पोस्ट-जनरेशन वेरिफिकेशन स्टेप की आवश्यकता को समाप्त करता है और मॉडल को बहुसंख्यक वर्ग की ओर पक्षपाती होने से रोकता है।

मुख्य योगदान

ImbLLM फ्रेमवर्क: एक नवीन ओवरसैंपलिंग विधि जो विविध और मजबूत अल्पसंख्यक नमूने उत्पन्न करने के लिए तीन प्रमुख सुधारों (सैंपलिंग, परम्यूटेशन और इंटरपोलेशन) को एकीकृत करती है।
सैद्धांतिक विश्लेषण: एक एंट्रॉपी-आधारित विश्लेषण जो यह सिद्ध करता है कि प्रस्तावित जनरेशन प्रक्रिया गणितीय रूप से आउटपुट में विविधता को बढ़ावा देती है।
व्यापक मूल्यांकन: 10 वास्तविक दुनिया के सारणीबद्ध डेटासेट्स पर आठ स्टेट-ऑफ-द-आर्ट बेसलाइन्स (SMOTE, CTGAN, और Great, TapTap, तथा Pred-LLM जैसे अन्य LLM-आधारित तरीकों सहित) के विरुद्ध ImbLLM का व्यापक परीक्षण।
गुणवत्ता और विविधता मेट्रिक्स: यह प्रदर्शन दिखाना कि उत्पन्न नमूने न केवल वर्गीकरण के लिए अधिक प्रभावी हैं, बल्कि "क्लोज प्रोबेबिलिटी" (वास्तविक डेटा के साथ समानता) और "कवरेज" (जेनेरेटेड मैनिफोल्ड की विविधता) में भी बेहतर हैं।

प्रयोगात्मक परिणाम

लेखकों ने डाउनस्ट्रीम क्लासिफिकेशन प्रदर्शन के लिए F1-स्कोर और AUC का उपयोग करते हुए 10 डेटासेट्स (जैसे, Adult, German, Credit Card) पर ImbLLM का मूल्यांकन किया।

वर्गीकरण प्रदर्शन: ImbLLM ने 10 में से 5 डेटासेट्स पर सर्वश्रेष्ठ F1-स्कोर प्राप्त किया और 3 अन्य पर दूसरा सर्वश्रेष्ठ। औसतन, इसने रनर-अप (CTGAN) से लगभग 3% और मानक असंतुलित क्लासिफायर (ओवरसैंपलिंग के बिना) से 8% बेहतर प्रदर्शन किया। उल्लेखनीय रूप से, ImbLLм का प्रदर्शन उस क्लासिफायर के करीब पहुँच गया जो मूल, संतुलित डेटासेट पर प्रशिक्षित था, जबकि इसमें प्रशिक्षण के लिए मूल अल्पसंख्यक नमूनों का केवल 20% उपयोग किया गया था।
विविधता और गुणवत्ता:
- क्लोज प्रोबेबिलिटी (Close Probability): Im-LLM का स्कोर 0.8011 रहा जबकि CTGAN का 0.7761 था, जो दर्शाता है कि सिंथेटिक नमूने वास्तविक अल्पसंख्यक नमूनों के अधिक करीब हैं।
- कवरेज (Coverage): Im-LLM का स्कोर 0.8933 रहा जबकि CTGAN का 0.8482 था, जो वास्तविक डेटा मैनिफोल्ड के बेहतर कवरेज को दर्शाता है।
एब्लेशन स्टडीज (Ablation Studies): अध्ययन ने पुष्टि की कि प्रत्येक घटक (विविध सैंपलिंग, फिक्स्ड-लेबल परम्यूटेशन, और इंटरपोलेशन) प्रदर्शन में महत्वपूर्ण योगदान देता है। इंटरपोलेशन स्टेप को हटाने से प्रदर्शन कम हो गया, हालांकि यह अभी भी बेसलाइन्स से बेहतर था।
मजबूती (Robustness): TapTap और Pred-LLM के विपरीत, जो सत्यापन चरणों पर निर्भर हैं जो तब विफल हो जाते हैं जब असंतुलित डेटासेट बहुत अधिक विषम (skewed) होता है, Im-LLM के फाइन-ट्यूनिंग के दौरान बहुसंख्यक डेटा को बाहर रखने के दृष्टिकोण ने विभिन्न असंतुलित अनुपातों में अधिक मजबूती प्रदर्शित की।

महत्व और दावे

यह शोध पत्र दावा करता है कि विविधता वह महत्वपूर्ण कारक है जो सफल LLM-आधारित ओवरसैंपलिंग को विफलता से अलग करती है। जबकि पिछले LLM तरीकों ने जनरेशन या वेरिफिकेशन की मैकेनिक्स पर ध्यान केंद्रित किया, Im-LLM यह प्रदर्शित करता है कि विशिष्ट प्रॉम्प्ट इंजीनियरिंग, अटेंशन-अवेयर परम्यूटेशन और इंटरपोलेशन-आधारित फाइन-ट्यूनिंग के माध्यम से जनरेशन प्रक्रिया की विविधता को अनुकूलित करना सीधे तौर पर बेहतर डाउनस्ट्रीम क्लासिफिकेशन प्रदर्शन में परिवर्तित होता है।

लेखक का तर्क है कि उनका तरीका वेरिफिकेशन-हैवी दृष्टिकोणों की तुलना में अधिक विश्वसनीय विकल्प प्रदान करता है, क्योंकि यह संभावित रूप से पक्षपाती क्लासिफायर का उपयोग करके "खराब" नमूनों को फ़िल्टर करने की आवश्यकता के बिना स्वाभाविक रूप से उच्च-गुणवत्ता वाला अल्पसंख्यक डेटा उत्पन्न करता है। परिणाम बताते हैं कि Im-LLM गंभीर रूप से असंतुलित डेटासेट्स और उनके संतुलित समकक्षों के बीच के प्रदर्शन अंतर को प्रभावी ढंग से पाट सकता है, जिससे यह सारणीबद्ध डेटा में दुर्लभ घटनाओं से जुड़े वास्तविक दुनिया के अनुप्रयोगों के लिए एक व्यवहार्य समाधान बन जाता है।