TreeSynth 是由香港大学和香港中文大学的研究团队于 2025 年 3 月联合提出的，相关研究成果发表于论文「TreeSynth: Synthesizing Diverse Data from Scratch via Tree-Guided Subspace Partitioning」。

TreeSynth 是一种受决策树启发的基于树引导子空间的合成数据方法，通过构建一个空间划分树，将特定任务的完整数据空间（即根节点）递归地划分为多个原子子空间（即叶节点），这些子空间具有互斥且穷尽的属性，以确保在合成每个原子子空间内的样本之前，既有独特性又有全面性。在多个不同基准测试中的大量实验一致表明，与人工构建的数据集和同类数据合成方法相比，TreeSynth 在数据多样性、模型性能和鲁棒可扩展性方面表现更优，平均性能提升达到 10% 。