合成データとは
合成データとは、実際のデータではなく、アルゴリズムやモデルによって人工的に生成されたデータのことです。実データの統計的特性を保持しながら、プライバシーリスクを排除したデータを作成できるため、医療、金融、自動運転など、機密性の高いデータを扱う分野で注目されています。また、実データが不足している場合やデータの偏りを補正する目的でも広く活用されています。
| ひとことで言うと | 実在のデータではなく、統計的性質を保ったまま人工的に作ったデータ。 |
|---|---|
| どこで使う | 個人情報を使えない場面、データが少ない分野、テスト環境用データ。 |
| 注意点 | 元データの特徴が漏れないかの検証が必要。品質の確認も欠かせない。 |
生成手法
合成データの生成手法は多岐にわたります。統計的手法では、元データの分布をモデル化して新しいサンプルを生成します。GAN（敵対的生成ネットワーク）やVAE（変分オートエンコーダ）などの深層生成モデルは、高品質な画像やテーブルデータの生成に利用されます。ルールベースのシミュレーションは、物理エンジンやゲームエンジンを使って合成画像や3Dシーンを生成します。最近では、大規模言語モデル（LLM）を使ったテキストデータの合成も盛んに行われています。
1実データの性質を学ぶ分布や相関を把握
▶
2人工データを生成似た性質を持つデータ
▶
3個人は実在しないプライバシーを保護
▶
4品質を検証分析に使えるか
▶
5漏えいを確認元データを復元できないか
合成データの課題と注意点
合成データの最大の課題は、実データとの分布の乖離（ドメインギャップ）です。合成データで学習したモデルが実環境で期待通りに動作しない可能性があります。また、元データの偏りが合成データにも引き継がれるバイアスの問題や、生成されたデータのプライバシー保証の検証も重要な課題です。合成データの品質評価には、統計的忠実度、プライバシー保護度、下流タスクでの有用性などの観点から総合的に評価する必要があります。