1 序論
1.1 合成データ生成の定義と重要性
合成データ生成とは、現実世界のデータを統計的または機械学習的手法を用いて人工的に模倣・作成する技術である。実データの収集が困難、コストが高い、プライバシーや機密性の問題がある場合に、代わりとなるデータセットを生成する目的で広く利用される。例えば、新たな機械学習モデルの訓練に必要な大量のラベル付きデータが不足している場合や、医療記録などの機密データを公開せずに研究を進めたい場合に、合成データが有効な代替手段となる。
1.2 実データとの違いと利点
合成データは実データと比較していくつかの明確な利点を持つ。第一に、生成プロセスを制御できるため、特定の条件や分布を満たすデータを意図的に作成できる。第二に、プライバシー侵害のリスクが理論上は低減される。第三に、実データでは偏りが生じやすい属性（人種、性別など）を調整し、公平なデータセットを構築できる可能性がある。一方で、合成データが元の実データの統計的特性を完全に再現できない場合があり、生成品質の評価が常に必要となる。
1.3 歴史的背景と発展
合成データの概念は統計学におけるデータ拡張やモンテカルロ法に端を発する。1990年代以降、計算機の性能向上に伴い、より複雑なモデルによるデータ生成が可能となった。2014年のGAN（生成敵対ネットワーク）の登場は、画像分野における高品質な合成データ生成を現実のものとし、その後VAEや拡散モデルなどの手法が相次いで開発された。2020年代に入ると、大規模言語モデルを用いたテキスト合成や、拡散モデルによる画像生成が急速に普及し、合成データの品質は実データと見分けがつかない水準に達しつつある。
2 生成手法
2.1 統計的モデリングに基づく手法
2.1.1 分布サンプリング
最も基本的な合成データ生成手法は、既知の確率分布（正規分布、一様分布、ポアソン分布など）からのサンプリングである。実データの統計量（平均、分散、共分散）を推定し、そのパラメータに従って乱数を生成することで、元データと似た分布を持つ合成データを得る。単変量から多変量まで拡張可能だが、複雑な非線形関係や高次元の特徴を捉えるには限界がある。
2.1.2 マルコフ連鎖モンテカルロ法
マルコフ連鎖モンテカルロ法（MCMC）は、目標分布からのサンプリングを効率的に行う手法である。メトロポリス・ヘイスティングス法やギブスサンプリングが代表的で、複雑な事後分布に従うデータを生成する際に用いられる。ベイズ統計モデルの枠組みで、欠損値の補完やプライバシー保護型の合成データ作成に応用されるが、収束の判定や計算コストが課題となる。
2.2 機械学習に基づく手法
2.2.1 生成敵対ネットワーク（GAN）
2.2.1.1 基本構造と動作原理
GANは、生成器と識別器と呼ばれる二つのニューラルネットワークが競合する構造を持つ。生成器はランダムノイズからデータを偽造し、識別器は本物か偽物かを判別する。この敵対的訓練を通じて、生成器は次第に本物と見分けがつかないデータを生成できるようになる。学習はミニマックス最適化問題として定式化され、安定訓練のために様々な工夫（WGAN、スペクトル正則化など）が提案されている。
2.2.1.2 主要なバリエーション（DCGAN, StyleGANなど）
DCGAN（Deep Convolutional GAN）は畳み込み層を用いた安定な画像生成を実現した初期のバリエーションである。StyleGANはスタイル制御を導入し、髪型や表情などの属性を独立に操作可能とした。さらに、CycleGANはドメイン間変換（例：写真から絵画スタイルへの変換）を、条件付きGAN（cGAN）はラベルや属性に基づく生成を可能にする。これらのバリエーションにより、GANは画像、音声、テキストなど多様なモダリティに適用されている。
2.2.2 変分オートエンコーダー（VAE）
VAEは、エンコーダで入力を潜在変数に圧縮し、デコーダで再構成する生成モデルである。潜在空間に正則化（通常は標準正規分布）を課すことで、連続的で滑らかな潜在表現を獲得し、そこからのサンプリングにより新しいデータを生成できる。生成されるデータはGANほど鮮明ではないことが多いが、潜在空間の解釈性や分布のカバレッジに優れ、異常検知や半教師学習にも応用される。
2.2.3 拡散モデル
拡散モデルは、データに徐々にノイズを加える前方過程と、その逆過程であるノイズ除去を学習することでデータ生成を行う。特にDDPM（Denoising Diffusion Probabilistic Models）やスコアベースモデルが代表的で、画像生成においてGANを凌ぐ品質を達成している。拡散モデルは段階的な生成プロセスにより高精細な画像を生成でき、Stable Diffusionなどの実用的なシステムに利用されている。計算コストは高いが、近年はサンプリング速度の改善が進んでいる。
2.3 ルールベースおよびシミュレーション手法
2.3.1 物理シミュレーション
物理シミュレーションは、物理法則に基づいて物体の動きや現象を計算し、画像や時系列データを生成する手法である。自動運転向けのカメラ画像生成では、車両、歩行者、道路標識などを3Dモデルで配置し、光や影のシミュレーションを組み合わせる。これにより、事故シナリオや悪天候など希少な条件下のデータを安全に大量作成できる。
2.3.2 グラフ生成とデータ拡張
グラフデータ（ソーシャルネットワーク、分子構造など）の合成生成では、特定のトポロジカル特性（次数分布、クラスタリング係数）を保持するようにランダムグラフモデル（Erdős–Rényi、Barabási–Albertなど）や深層生成モデル（GraphRNN、MoNet）が用いられる。また、既存の実データに小さな摂動を加えるデータ拡張（回転、反転、ノイズ付加）は最もシンプルな合成データ生成の一種であり、画像認識や自然言語処理で広く利用されている。
3 応用分野
3.1 コンピュータビジョン
3.1.1 自動運転向けシミュレーションデータ
自動運転システムの開発には、多様な天候、照明、交通状況に対応する膨大な訓練データが必要である。合成データ生成により、実際には起こりにくい事故シーンや夜間・雨天のシナリオを現実的にシミュレートできる。CARLAやSYNTHIAなどのシミュレータは、高品質な合成画像と同時に深度マップやセグメンテーションマスクのラベルを提供し、実データと組み合わせてモデルの汎化性能を高める。
3.1.2 顔認識とプライバシー保護
顔認識システムの訓練には大量の顔画像が求められるが、実在人物の顔を無断収集することはプライバシー上の問題となる。合成顔生成（GANや拡散モデルによる）により、実在しない新たな顔画像を生成し、法的・倫理的リスクを回避しながら認識モデルを訓練できる。また、特定の属性（年齢、性別、表情）を制御したデータ生成も可能で、バイアス軽減に貢献する。
3.2 自然言語処理
3.2.1 テキストデータの拡張
テキストデータの拡張では、言い換え、バックトランスレーション（一度翻訳してから戻す）、マスキング・置換などの手法で多様な表現を生成する。近年は大規模言語モデル（GPTシリーズなど）を用いて、与えられたトピックやスタイルに沿った文章を自動生成する方法が一般的である。これにより、少数の実データから豊富な訓練サンプルを得ることができる。
3.2.2 会話システムの訓練
チャットボットや音声アシスタントの開発では、多様なユーザ発話に対する応答パターンを学習させる必要がある。合成会話データ生成では、対話スクリプトに基づくルールベース生成や、言語モデルを用いた対話シミュレーションが利用される。意図（インテント）やエンティティをランダムに組み合わせることで、システムのカバレッジを向上させることができる。
3.3 医療とヘルスケア
3.3.1 匿名化された患者データ
医療研究では患者データの共有が有効だが、プライバシー法規（HIPAA、GDPRなど）の制約がある。合成患者データ（電子カルテ、医療画像）を生成することで、個人を特定できない形で統計的特性を保持したデータセットを提供できる。差分プライバシーを組み合わせた手法も開発され、元データの開示リスクを定量化しながら合成データの有用性を確保する。
3.3.2 希少疾患のデータ補完
希少疾患の診断モデル開発では、症例数が少なく十分な学習データが得られないことが課題である。合成データ生成により、既存の少数の患者データから統計的に妥当な新たなサンプルを増やすことができる。画像データ（MRI、CTスキャン）ではGANや拡散モデルにより病変領域をリアルに合成し、モデルの頑健性を向上させる研究が進んでいる。
3.4 金融とセキュリティ
3.4.1 不正検知テスト
不正取引の検知システムを評価するためには、不正な取引データが必要だが、実際の不正データは極めて希少であり、かつ機密性が高い。合成データ生成により、既知の不正パターンに基づく多様な不正シナリオデータを作成できる。これにより、検知モデルの感度や特異度を正当に評価し、新たな不正パターンへの適応力をテストすることが可能となる。
3.4.2 リスクモデル検証
銀行や保険会社では、信用リスクや市場リスクを評価するモデルを定期的に検証する必要がある。合成データを用いることで、過去の実データには存在しない極端な市場変動や景気後退シナリオにおけるモデルの挙動をシミュレートできる。これにより、モデルの頑健性や限界を把握し、規制要件への適合性を確認する。
4 品質評価と指標
4.1 忠実度と多様性の指標
4.1.1 Frechet Inception Distance（FID）
FIDは、生成画像と実画像の分布間の距離を測る指標である。Inception v3ネットワークの中間特徴量を抽出し、特徴空間における平均と共分散の差をFrechet距離で計算する。値が小さいほど二つの分布が類似していると評価され、合成画像の視覚的品質と多様性を同時に反映する。GANの評価で標準的に用いられる。
4.1.2 Inception Score（IS）
ISは、生成画像をInceptionネットワークで分類したときの確信度と、全クラスにわたる分布の一様性を組み合わせた指標である。高品質な画像は特定のクラスに確信を持って分類され、かつ多様なクラスをカバーするほど高いスコアとなる。ただし、実データとの直接比較を行わないため、単独では偏った評価になる可能性がある。
4.2 実用性の評価
4.2.1 ダウンストリームタスクの性能
合成データの実際の有用性は、それを訓練データとして使ったモデルが実データでどの程度の性能を発揮するかで評価される。例えば、合成画像で訓練した物体検出器の実画像での精度や、合成テキストで訓練した感情分析モデルの実テキストでの正解率を測定する。実データのみで訓練した場合との性能差が小さいほど、合成データの実用性が高いと判断される。
4.2.2 プライバシーリスク分析
合成データが元の実データの個別情報をどの程度漏洩しているかを評価する。メンバーシップ推論攻撃（あるレコードが訓練データに含まれていたかどうかを推測する攻撃）への耐性や、再識別の困難さを定量化する。差分プライバシー保証の有無や、近傍データの類似度（データ追跡可能性）も重要な指標である。
4.3 バイアスと公平性の検証
合成データが元の実データに存在するセンシティブ属性（人種、性別、年齢など）の偏りを引き継いだり、あるいは逆に新たな偏りを導入したりしていないかを検証する必要がある。グループ間の分布差（表現格差）や、ダウンストリームタスクにおける公平性指標（均等オッズ、統計的パリティなど）を評価し、合成プロセスが公平性を損なっていないことを確認する。
5 課題と今後の展望
5.1 プライバシーと機密性のトレードオフ
合成データは実データと比較してプライバシーリスクが低いとされるが、完全に無リスクではない。生成モデルが訓練データを記憶し、個別のレコードを再現する「記憶漏洩」が発生しうる。高いデータ忠実度と強いプライバシー保証の間にはトレードオフが存在し、差分プライバシーと合成データ生成の組み合わせが研究されているが、実用上の調整は依然として難しい。
5.2 データの偏りと分布シフト
合成データの生成プロセスが元の実データの分布を完璧に再現できない場合、分布シフト（domain shift）が発生する。特に、訓練データに含まれていない新たなパターンや、外れ値の再現は困難である。また、意図せずに特定のグループを過小表現する偏りが合成データに引き継がれるリスクもあり、生成時のバイアス監視が不可欠である。
5.3 計算コストとスケーラビリティ
高品質な合成データを生成するための深層学習モデル（特に拡散モデルや大規模GAN）は、学習とサンプリングに多大な計算資源を必要とする。リアルタイム生成や大規模データセットへの適用には、モデルの軽量化や効率的なサンプリング手法の開発が求められる。一方、ルールベースシミュレーションは計算負荷が低いが、生成できるデータの多様性に限りがある。
5.4 説明可能性と透明性
合成データがどのような過程で生成されたのか、ユーザーが理解・検証できることは重要である。ブラックボックス的な深層生成モデルでは、生成されたサンプルがどのような統計的特性を持つのか説明が難しい。生成プロセスの透明性を高める手法（例えば、潜在変数の可視化や寄与度分析）や、合成データの利用条件を明示するラベル付けの標準化が進められている。
5.5 将来的な動向と標準化
今後の方向性として、合成データの品質評価やプライバシー保証に関する統一的な基準・フレームワークの策定が期待される。また、異なる生成手法やドメイン間での合成データの交換を容易にするための標準フォーマットの整備も進むだろう。さらに、モデル間でのデータ生成の競争が一層激化する中で、合成データの法規制（合成データに関する著作権や責任の所在）についての議論も活発化している。これらの動きは、合成データを信頼性の高い研究・産業リソースとして定着させるための基盤となる。