合成データ ごうせいでーた
合成データシンセティックデータGANプライバシー保護データ生成
合成データについて教えて
簡単に言うとこんな感じ！
実際には存在しない、AIやアルゴリズムが「作り出した」データのことだよ。個人情報の含む医療データを使えないけど大量のデータが欲しい、みたいな時に「本物みたいな偽物データ」を生成して代わりに使うんだ。最近のLLMの学習にも大量の合成データが使われてるよ！
合成データとは
合成データ（Synthetic Data）とは、実際の観測や収集ではなく、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です。実データと統計的な特性（分布・相関・パターン）は似ているが、特定の実在する人や事象に紐づかない点が特徴です。
合成データが注目される背景には、3つの課題があります。①プライバシー（個人情報を含むデータは使いにくい）、②希少性（不良品・疾患例など少ないデータの不足）、③コスト（アノテーション・収集のコスト）。
合成データの生成方法
| 手法 | 説明 | 得意なデータ種別 |
|---|---|---|
| GAN（敵対的生成ネットワーク） | 生成器と識別器が競い合って学習 | 画像、音声 |
| VAE（変分オートエンコーダー） | 潜在空間からサンプリング | 画像、テキスト |
| 拡散モデル | ノイズを除去しながら生成 | 高品質な画像・動画 |
| LLMによる生成 | プロンプトを使ってテキスト生成 | テキスト全般 |
| 統計モデルベース | 確率分布からサンプリング | 表形式データ |
| シミュレーション | 物理エンジン・ゲームエンジン | 自動運転、ロボティクス |
用途別の活用例
| 分野 | 活用例 |
|---|---|
| 医療 | 患者データをプライバシー保護しながら共有 |
| 金融 | 不正取引データを増量してモデル精度向上 |
| 自動運転 | 事故シーンのシミュレーションデータ生成 |
| LLM学習 | 高品質な指示・応答ペアの大量生成 |
| ソフトウェアテスト | 多様な入力パターンの自動生成 |
歴史と背景
- 2014年：GANがイアン・グッドフェロー氏によって提案
- 2017年：SyntheaがリアルなEHRの合成データを生成するシステムを公開
- 2022年：diffusion モデルが画像生成品質を大幅向上
- 2023〜：LLMの学習に合成データが大量投入（Phi、Gemma等のモデルで明示）
リスクと注意点
1. モデルコラプス（モデル崩壊）
→ 合成データで学習したモデルが生成した合成データで再学習すると
多様性が失われ品質が劣化していく
2. 分布のズレ
→ 合成データが実データの分布を完全には再現できないことがある
3. 評価の難しさ
→ 合成データの「品質」自体の客観的な評価が困難
4. 法規制
→ GDPR等では合成データが個人情報に該当するかは解釈が分かれる