TreeSynth a été proposé conjointement par une équipe de recherche de l'Université de Hong Kong et de l'Université chinoise de Hong Kong en mars 2025, et les résultats de recherche correspondants ont été publiés dans l'article «TreeSynth : Synthèse de données diverses à partir de zéro via le partitionnement de sous-espaces guidé par arbre".

TreeSynth est une méthode de synthèse de données basée sur les sous-espaces et guidée par un arbre, inspirée des arbres de décision. Elle construit un arbre de partitionnement spatial pour diviser récursivement l'espace de données complet (nœud racine) d'une tâche spécifique en de multiples sous-espaces atomiques (nœuds feuilles). Ces sous-espaces sont mutuellement exclusifs et exhaustifs, garantissant ainsi l'unicité et l'exhaustivité des données avant la synthèse d'échantillons au sein de chaque sous-espace atomique. De nombreuses expériences menées sur divers jeux de données de référence démontrent systématiquement que TreeSynth surpasse les jeux de données construits manuellement et les méthodes de synthèse de données similaires en termes de diversité des données, de performance du modèle et de robustesse et de scalabilité, atteignant une amélioration moyenne des performances de 10¹TP³T.