モデルカスタマイゼーションには高品質で多様なデータセットが必要となるが、こうしたデータの収集は依然として時間と労力がかかる課題である。大規模言語モデル（LLM）がデータ合成に大きな可能性を秘めているにもかかわらず、現行の手法は初期データの限界、モデルバイアス、および多様性に乏しいプロンプトの問題に起因し、データ規模が拡大するにつれて多様性が制限され、偏った分布を生じてしまう。この課題に対処するため、本研究では決定木の構造に着想を得た、木構造を用いた部分空間ベースのデータ合成手法「TREESYNTH」を提案する。TREESYNTHは、タスク固有の全データ空間（根ノード）を、互いに排他的かつ総遍的な属性を持つ多数の原子的部分空間（葉ノード）に再帰的に分割する空間分割木を構築することで、各原子的部分空間内でサンプルを合成する前に、明確な特徴と包括性を確保する。このグローバルな分割と合成のアプローチにより、部分空間ごとのサンプルを統合することで、再現や空間崩壊を効果的に回避し、大規模なデータ合成における多様性を確保する。さらに、空間分割木によりサンプルを原子的部分空間に適切に割り当て可能となり、既存データセットの再平衡が可能となり、よりバランスの取れた、包括的な分布を実現できる。実証実験において、多様なベンチマーク上で広範な評価を行った結果、TREESYNTHは人為的に作成されたデータセットおよび他の先行データ合成手法と比較して、データの多様性、モデル性能、およびスケーラビリティの点で顕著な優位性を示した。特に平均的な性能向上率は10%に達した。また、TREESYNTHで再平衡されたデータセットによる一貫した性能向上は、既存データセットの再分配を通じてより包括的なカバレッジと性能向上を実現するという本手法の実用性を裏付けている。コードは以下のURLにて公開されている。