합성 데이터 재귀 학습은 데이터 부족을 완화하지만, 반복 학습이 분포의 꼬리를 침식하고 출력을 동질화하는 '모델 붕괴'를 일으킬 수 있다. 흔히 해법으로 여겨지는 데이터 선택은 검증기가 참조하는 분포에 크게 의존하는데, 연구진은 각 검증기가 목표 매니폴드의 작고 편향된 일부만 관찰하는 저자원 환경에서는 선택 자체가 편향됨을 보인다. 이런 상황은 원본 데이터를 통합할 수 없는 의료 컨소시엄이나 금융기관 같은 데이터 사일로에서 발생하며, 선택이 지역 매니폴드에 맞는 표본만 남기고 전역적으로 중요한 꼬리 모드를 제거해 붕괴를 막기는커녕 촉진한다. 저자들은 원본 공유 없이 여러 사일로에서 Wasserstein 프록시 참조를 구성해 다양성 저하를 완화하는 초기 해법을 제시한다.

• •저자원 검증 환경에서는 데이터 선택이 편향되어 모델 붕괴를 막기는커녕 촉진함을 이론적으로 증명
• •사일로화된 선택이 전역 ɱ관련 꼬리 모드를 제거해 멱격칙 다양성 감쇠를 유발
• •의료 컴소시엄·금융기관 같이 원본 데이터를 통합할 수 없는 사일로에서 자연히 발생
• •원본 공유 없이 여러 사일로에서 Wasserstein 프록시 참조를 구성해 다양성 저하 완화
• •재귀 합성데이터 파이프라인은 실데이터 커버리지가 파편적일 때 각별한 주의 필요