個人の記録をそのまま渡さずに、分析やシステムのテストをしたい。そんな場面で使われる方法の一つが、合成データです。
合成データは、モデルやルールなどを使って人工的に作るデータです。実データの特徴を学んで作る場合もあれば、想定した条件に沿って作る場合もあります。「実際に起きた一件の記録」と同じものとして読むことはできません。
ここでは、データを作る仕組みと、利用前に確かめたい条件を整理します。合成データが実際のデータをすべて置き換えるという予測ではありません。
合成データを、小さな注文表で考える
架空のお店の注文システムを試すとします。下の表は説明用に編集部が作ったもので、実際の顧客情報や、統計モデルの出力ではありません。
| テスト用の注文 | 商品の個数 | 配達方法 |
|---|---|---|
| A | 1 | 店頭受取 |
| B | 3 | 宅配 |
| C | 2 | 宅配 |
注文入力の画面が動くかを確認するだけなら、このような単純な架空の値で足りるかもしれません。一方、「注文が集中する時間帯にシステムが耐えられるか」を調べるなら、時間ごとの件数や注文の偏りも必要になります。
何でも適当に作ればよいわけではありません。試したいことに必要な特徴を、データに持たせるのが要点です。
米国国勢調査局の説明では、実データをもとにしたモデルから合成データを作り、特定の分析などに利用する考え方が紹介されています。同時に、すべての用途を一つの合成データで満たせるわけではないとしています。
匿名化は実際の記録の加工、合成は新しい記録の生成
一般的な説明として、違いを整理すると次のようになります。ここでいう匿名化は広い技術上の呼び方で、法律上の区分を判定するものではありません。
| 方法 | 何をするか | 気をつけたいこと |
|---|---|---|
| 匿名化のための加工 | 実際の記録の識別情報を削る、値をまとめるなどする | 名前を消すだけでは、他の情報との組み合わせで特定される場合がある |
| 合成データの生成 | 学んだ特徴や指定した条件から、新しい記録を作る | 元の記録に近すぎる出力や、情報の漏れを検討する必要がある |
両者を組み合わせる設計もあります。合成データという呼び名だけで、特定の法的な要件を満たしたことにはなりません。
元データに似ているほど、何にでも使えるわけではない
注文数の平均が同じでも、極端に多い注文が再現されていなければ、負荷テストには不十分かもしれません。年齢の分布が似ていても、年齢と購入額の関係まで保たれているとは限りません。
評価するときは、「元データに似ているか」を一つの数字で済ませず、使う目的を先に決めます。必要な分布や関係が残っているか、そのデータで得た結果が元データでも成り立つかを確かめます。
少数の珍しいケースが抜け落ちれば、そのケースを扱う人やシステムの課題を見逃す可能性があります。見た目が整った表でも、使える範囲には条件があります。
プライバシーは、生成方法と評価の両方を見る
架空の記録を作ったとしても、元データの特徴を過度に覚えたモデルから、個人に関わる情報が漏れるおそれはあります。NISTの解説は、多くの生成手法が、それだけでプライバシーを保証するものではないと説明しています。
同資料では、差分プライバシーを用いる方法も扱っています。これは、特定の人の情報が結果へ与える影響を制限する考え方です。ただし、仕組みの選択や実装、設定が関わるため、「差分プライバシー対応」という一言だけで安全性を判断するのは避けます。
合成データの紹介を読んだら、まず「何に使うためのデータか」「何を再現したか」「漏れのリスクをどう評価したか」を確かめてみましょう。データを使う目的や説明責任まで考えるには、AIとデータ利用の倫理が次の入口になります。
