用語解説
合成データとは、実際の事象から収集したデータではなく、AIや統計モデルを用いて人工的に生成した擬似的なデータです。実データの統計的特性を模倣しながら、個人情報を含まない形で生成されます。
主な生成手法は「GAN（敵対的生成ネットワーク）」「VAE（変分オートエンコーダ）」「LLMによるテキストデータ生成」「シミュレーションベース生成」です。医療・金融・自動運転など、実データの収集が困難または高コストな領域での活用が進んでいます。
合成データはデータ拡張（Data Augmentation）・プライバシー保護・クラス不均衡の解消・AIモデルのテスト用データ生成に活用されます。
どんな場面で活用するか
- 患者の個人情報を含む医療画像の代わりに合成画像データを生成し、AI診断モデルの学習データを拡充する
- 金融機関の不正取引検知モデルで、実データに希少な不正パターンを合成データで補完してクラス不均衡を解消する
- 自動運転システムの学習に、実環境では収集困難な悪天候・事故シーンの合成データを用いてシミュレーション訓練を行う
よくある誤解
「合成データを使えばプライバシー問題が完全に解決する」は誤りです。正しくは、生成元の実データから個人情報が「リンケージ攻撃」により逆引きできる場合があります。合成データの匿名性は技術的に保証されるものではなく、適切な評価が必要です。
判断のヒント
合成データ活用の開始点：まず「実データのどの部分が不足しているか（希少クラス・センシティブ属性・特定シナリオ）」を特定してから合成データの生成計画を立てましょう。合成データ単体での学習は過適合リスクがあるため、実データとのミックス比率の検証が重要です。
