🔖 キーワード索引

「simulated data」は統計データ分析の文脈で扱う重要概念のひとつ。 本ページでは「simulated data」を取り巻く中核キーワードを以下にチップで一覧化する。 各キーワードは関連する概念・手法・道具立てを含み、 文献検索や学習計画の起点になる。

これらのキーワードは「simulated data の理解 → 適用 → 検証」のプロセスを構成する。 各章で詳しく解説する。

🎨 直感で掴む

本物の顧客データは個人情報リスクが高くて社外共有できない ── そこで「統計的性質は似ているが架空のデータ」を生成して開発・研究に使う。 これが 合成データ (Simulated/Synthetic Data)。 たとえば SSDSE-B-2026 の 47 都道府県データから「平均人口 265 万・標準偏差 280 万、 出生率との相関 -0.56」という統計量を抽出し、 同じ分布から 1 万件サンプリングすれば、 個人特定不可能で機械学習可能な大規模データが手に入ります。

主な生成手法は (1) 分布サンプリング (多変量正規・コピュラ)、 (2) ルールベース (業務ロジック + 乱数)、 (3) 深層生成モデル (GAN・VAE・拡散モデル)、 (4) 差分プライバシー付き合成 (PATE-GAN・DP-WGAN)。 用途は ML テスト・データ拡張・希少クラス補強 (SMOTE)・組織間データ共有・規制対応。 ただし教育目的では「現実の癖 (外れ値・欠損・分布の歪み)」が再現されにくいため、 本サイトでは SSDSE などの実データを優先する方針です。

📐 定義・数式

合成データ $\mathbf{x}_{\text{syn}}$ は、 実分布 $P_{\text{real}}$ を近似したモデル分布 $P_{\text{model}}$ からサンプリングする。 GAN・VAE・SMOTE・ベイズ生成モデルなどで具体的に実装。

🔬 数式を言葉で読み解く

数式に出てくる記号の意味を 1 つずつ確認しましょう。

$P_{\text{real}}$

本物のデータが従う分布 (不可知)。

$P_{\text{model}}$

学習された生成モデルの分布。

$\boldsymbol{\theta}$

生成モデルのパラメータ。

Fidelity

実データへの忠実度。 合成データの品質指標。

🧮 実値で計算してみる

本サイト方針上、 合成データを「使う」ではなく「合成データの落とし穴を理解する」ことが目的。

🧮 数式に値を入れて手で計算する: シミュレーション収束

合成 1 シミュレーションで N 試行と母平均推定誤差を計算する。

Step 1: 試行

Step 2: 誤差スケール

🐍 Python で再現

1
2
3
4

import numpy as np
N = np.array([100, 1000, 10000])
err = 0.05 * np.sqrt(100/N)
print(f"誤差: {err.round(4)}")

📤 実行結果

💬 手計算 (Step 2) と Python 出力が完全一致。

🐍 Python 実装

最小実装の例。 SSDSE のような実データに対して、 まずはコピペで動かしてみるのが理解の早道です。

1
2
3
4
5
6
7

# 本サイトでは原則として実データを使います
# 合成データの代表的な使い方 (例：不均衡対策)
from imblearn.over_sampling import SMOTE
import pandas as pd
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=1, encoding='cp932')
# X, y を準備し、 SMOTE で少数クラスを合成
# X_res, y_res = SMOTE().fit_resample(X, y)

⚠️ よくある落とし穴

合成データの実装事故は 「Fidelity (忠実性) と Privacy (再特定耐性) のトレードオフ無視」「教育で安易な乱数生成 → 現実の癖を学べない」「実データの分布外領域への汎化失敗」「Membership Inference Attack で訓練データが復元される」の 4 つが代表例。 2020 年の MIT 研究で、 GAN 合成データから元データの 30% が再特定された事例もあり、 「合成 = 安全」と思い込むのが最大の罠です。

🌐 関連手法・派生

シミュレーションデータ・合成データから派生する 4 系統 (深層生成・プライバシー保護・ドメイン適応・統計近似) は、 SSDSE-B-2026 の代替・補完にも応用される発展領域です。

🔗 関連用語 (前提・並列・発展)

この用語と直接結びつく前提・並列・発展用語。 学習順序の参考にどうぞ。

合成データ (シミュレーションで人工的に生成したデータ) を読み解く 3 階層リンク。

• 前提: 確率分布とノイズの概念。 「どの分布から、 どんなノイズで生成するか」を決められないと合成は始まらない。
• 並列: 実データ (公開データ) との対比、 ブートストラップ (実データから再標本化)、 GAN / VAE などの生成 AI系。 「サンプルを増やす別手段」として並ぶ。
• 発展: データドリフトのシミュレーション、 ABテストの事前パワー計算、 合成データによるプライバシー保護データ共有 (差分プライバシー併用)。

SSDSE-B-2026 のような実データを「真の母集団」と見立て、 そこから多変量正規で再生成 → モデル評価 → 実データで再検証、 という往復が標準的な使い方。

📚 関連グループ教材・さらに学ぶには

このサイト内

• 論文一覧に戻る — 合成データ を実際に使った再現論文をハンズオン形式で読む
• 関連用語ページ — このページの「🔗 関連用語」から派生
• 用語集トップ — 全用語を一覧で確認
• 概念マップ — 用語間の関係を視覚化

推奨書籍・教材

• 『統計学入門』（東京大学出版会）― 日本語統計入門の定番。 リテラシー の基礎が押さえられる。
• 『Pythonによるデータ分析入門』（Wes McKinney、 O'Reilly）― pandas 作者による実装ガイド。
• 『機械学習のエッセンス』（加藤公一、 SBクリエイティブ）― ML 基礎を Python で実装しながら学ぶ。
• 『因果推論の科学』（Judea Pearl、 文藝春秋）― 相関と因果の違いを徹底解説。

オンライン教材

• scikit-learn 公式ドキュメント — 機械学習の標準実装。
• StatQuest (YouTube) — 統計概念を直感的に解説。
• Coursera / edX — 体系的なオンライン講座。
• SSDSE 公式 — 本サイトで使う公的データの提供元。

困ったときは

1. データの可視化 (散布図・ヒストグラム・箱ひげ図) で全体像を把握
2. サンプルサイズ・欠損・外れ値を確認
3. 適用条件 (前提) が満たされているか診断
4. 類似研究での標準的な手法を確認
5. 結果を複数手法でクロスチェック

📜 歴史的背景と学習の位置づけ

合成データ は リテラシー の領域で発展してきた概念です。 ここでは大まかな歴史的背景と、 なぜこの概念が必要になったのかを整理します。 用語が「降ってきた」のではなく、 現実の問題を解くために順番に編み出されたものだと知ると、 学習の納得感が違います。

なぜこの概念が生まれたか

データ分析や AI を実務で使うと、 「単純な数式」「直感だけのモデル」では太刀打ちできない場面が必ず出てきます。 合成データ は、 そうした実務的な課題を整理し、 共通言語として定式化したものです。 そのため、 教科書だけで完結する話ではなく、 使う場面と使わない場面を見極めることが何より重要になります。

学習の位置づけ

• 初学者：まず「30秒で分かる結論」「直感で掴む」だけ読めば、 論文に出てきたときに「あ、 あれね」と分かります。
• 中級者：数式と Python 実装をセットで覚え、 自分の手元データに適用できる状態を目指します。
• 上級者：落とし穴と派生手法を理解し、 場面に応じた使い分け・改良ができることが目標です。

🔍 近接概念との比較

同じ リテラシー カテゴリにある近接概念と、 合成データ はどう違うのか？ 混同しがちなポイントを整理します。

📌 使い分けの原則： まずは本ページの定義を押さえ、 次に「🌐 関連手法・派生」「🔗 関連用語」のリンクから近接概念を確認し、 自分の問題に対してどれを使うか意識的に選ぶことを習慣にしてください。

❓ よくある質問 (FAQ)

本サイトの教材を読み進めるなかで、 受講者からよく質問される項目をまとめました。

✅ 実務チェックリスト

分析作業のなかで 合成データ を使うときは、 以下のチェックリストを上から順に確認してください。 抜けがあると後工程で痛い目に遭います。

① 分析設計フェーズ

• □ 目的を 1 文で書けるか？ (「何を、 どうしたいか」)
• □ 合成データ がその目的に 本当に合っているか？
• □ 必要なデータの種類・量・期間を見積もったか？
• □ 結果をどう報告・意思決定に使うか、 事前に決めたか？

② データ準備フェーズ

• □ データの出典・取得日を記録したか？ (再現性)
• □ 列の尺度 (名義 / 順序 / 間隔 / 比例) を確認したか？
• □ 欠損・外れ値の方針を決めたか？
• □ サンプルサイズは手法の最低要件を満たしているか？

③ 分析実行フェーズ

• □ 前提条件を満たしているか診断したか？
• □ 結果は複数手法でクロスチェックしたか？
• □ コードは Git で管理しているか？
• □ 結果が 外れ値 1 件で激変しないか確認したか？

④ 解釈・報告フェーズ

• □ 数値と不確実性 (CI / SE) を併記したか？
• □ 「相関 ≠ 因果」の境界を踏み越えていないか？
• □ 適用範囲外への拡張主張を避けたか？
• □ 限界・前提を明示したか？

📝 レポート・論文での書き方

論文・社内レポート・ステークホルダー報告書で 合成データ を扱うとき、 含めるべき項目とテンプレートをまとめました。

必須記載項目

🎓 深掘り：シナリオで身につける

ここまで定義・計算・落とし穴を見てきました。 ここでは 合成データ をより深く理解するための思考フレームと実務シナリオを、 ストーリー形式で整理します。 用語そのものより、 「どんなときに思い出して、 どう使うか」を体に染み込ませることが、 教材を読む真の目的です。

シナリオ A：研究室での卒論データ分析

「卒業研究で 47 都道府県のデータを分析したい」。 そんなとき 合成データ はどう登場するでしょうか。 担当の先生から「データを見たうえで、 関連する手法を 1 つ選んで適用してきて」と言われたとします。 まずデータの性質 (量・尺度・期間) を確認し、 「合成データ がこの問題に合っているか」を本ページの 30 秒結論で照らし合わせます。 もし合っていれば、 落とし穴セクションで「やってはいけないこと」をチェック、 計算例を真似して結果を出し、 解釈を言葉でまとめる ── 卒論の 1 セクション分の作業がここで完結します。

シナリオ B：データサイエンスのインターン

企業のインターンで「過去 3 年の顧客データから来期の予測モデルを作って」と任された。 上司は 合成データ を当然知っている前提で話します。 言葉が通じないと議論についていけません。 そこで本ページの「定義・数式」「Python 実装」を 30 分で 押さえ、 上司の使う用語に追随する ── ジャストインタイム学習の典型シーンです。 後日、 自分でも実装した結果を上司に説明するとき、 「レポート・論文での書き方」テンプレートに沿って書けば、 過不足なく伝えられます。

シナリオ C：論文を読んでつまずいたとき

本サイトのトップから論文一覧をたどり、 ある論文を読んでいたら 合成データ が出てきた。 「これ、 なんだっけ？」と思った瞬間、 本ページに飛んでくる ── これが ジャストインタイム型教材の使い方です。 30 秒結論を読み、 「あ、 そういう意味か」と納得したら、 元の論文に戻ります。 必要に応じて落とし穴セクションだけ読んで、 著者の解釈が妥当か批判的に確認することも可能です。

よくある誤解 3 連続

意思決定フレーム：使う？使わない？

🎯 このページのまとめ

🧭 サイト内ナビゲーション

本ページは、 統計・データ解析コンペティションの再現論文集に付随する用語解説の 1 ページです。 合成データ 以外の用語も、 同じフォーマットで以下からたどれます。

• 📚 用語集トップ — 514 用語の一覧
• 🗺 概念マップ — 用語間の関係を視覚化
• 📖 論文一覧へ戻る — 約 160 本の再現論文ハンズオン

本サイトは「ジャストインタイム型データサイエンス教育」を掲げ、 「学んでから使う」ではなく「使うときに学ぶ」スタイルで設計されています。 ある論文の手法を理解する過程で出会った専門用語を、 その場で本ページに飛んで補完してから論文に戻る ── そのような使い方を想定しています。

🔎 合成データ ── 深掘り解説

本章では 合成データ（Synthetic Data, シミュレーションデータ） を、 SSDSE-B-2026 の実データから「分布を学習し、 同じ統計性質を持つ偽データを生成する」流れで掘り下げます。 教材なので 47 都道府県の実データを核とし、 合成データはあくまで プライバシー保護・サンプル拡張・シナリオ分析 の補助として位置づけます。 合成データは魔法ではなく、 「実データの統計的影」 ── この感覚を最初に掴むことが本章のゴールです。

🔖 キーワード索引（拡張）

💡 もう少し詳しく ── 合成データの 3 つの顔

• ① プライバシー保護目的：実データの統計分布を保ったまま、 個別レコードを匿名化。 医療・金融・公共データで急速に普及（CTGAN, SDV, Mostly AI）。
• ② サンプル拡張目的：クラス不均衡や少サンプル問題を緩和するため、 既存データから新サンプルを補間（SMOTE, Mixup, Data Augmentation）。
• ③ シナリオ分析目的：「もし高齢化率が +5% なら？」のような what-if 検討用に、 仮想シナリオを生成（モンテカルロ法、 シミュレーション、 デジタルツイン）。
• 共通する原理：実データの 結合分布 $p(X)$ を学習し、 同じ分布からサンプリング。 完全に独立な「乱数」とは異なり、 変数間の相関構造 を保持するのが特徴。
• 限界：実データに存在しない「希少事象」「未知の組合せ」は再現できない。 合成データだけで意思決定するのは禁物。

📐 補足の数式 ── 合成データの数学

合成データの良し悪しは Utility（実用性）と Privacy（秘匿性）のトレードオフ で測ります。 Utility は「実データと統計的に近いか（Total Variation Distance）」、 Privacy は「個人を再特定する確率」。 完全な Utility=1 は完全な Privacy=0 を意味し、 両立は不可能 ── これが合成データの 不可能性定理 です。

🧮 SSDSE-B-2026 で合成データを 47 → 470 県に拡張

47 都道府県データは「サンプル数が少なすぎて統計検定が無理」という不満が出やすい。 合成データで n=470（10 倍）まで膨らませると、 同じ結合分布を保ったまま 仮想的に 検定力を高められます。 ただし、 これは 「真の母集団から追加サンプリングした」のではなく「既存 47 件の分布を 10 倍に焼き直しただけ」 である点に注意。

→ 合成データは「平均・分散・相関」までは保つが、 「秋田県＝39.1%」のような 個別記述 は曖昧化される。 これが「分布を保ち、 個別を隠す」の操作的な意味です。

🐍 Python：実データから合成データを作る（多変量正規分布近似）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18

import pandas as pd
import numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]  # 2023 年・47 都道府県
cols = ['A1101', 'A1303', 'A4101', 'A4200']      # 総人口・老年人口・出生数・死亡数
real = df[cols].dropna()
mu   = real.mean().values
cov  = real.cov().values

# 乱数の種を固定して、 何度実行しても同じ合成データになるようにする
rng = np.random.default_rng(20260614)
synth = rng.multivariate_normal(mu, cov, size=470)
synth = pd.DataFrame(synth, columns=cols)
print('実データ平均: ', real.mean().round(0).tolist())
print('合成データ平均:', synth.mean().round(0).tolist())
print('相関 (A1101-A1303): 実=%.3f / 合成=%.3f' %
      (real.corr().iloc[0,1], synth.corr().iloc[0,1]))

🐍 Python：SDV（Synthetic Data Vault）で本格的に

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

import os
os.makedirs('data', exist_ok=True)   # 書き出し先を先に作る
import os
os.makedirs('data/processed', exist_ok=True)  # 保存先のフォルダを作っておく

from sdv.single_table import GaussianCopulaSynthesizer
from sdv.metadata import SingleTableMetadata

real = df[['A1101','A1303','A4101','A4200','B4101']].dropna()
meta = SingleTableMetadata()
meta.detect_from_dataframe(real)

model = GaussianCopulaSynthesizer(meta)
model.fit(real)
synth = model.sample(num_rows=1000, random_state=0)
print(synth.describe())
synth.to_csv('data/processed/synth_ssdse.csv', index=False)

🐍 Python：合成データの Utility 評価

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

from scipy.stats import ks_2samp
import matplotlib.pyplot as plt

# (1) 統計量
print('実   平均:', real.mean().round(0).tolist())
print('合成 平均:', synth.mean().round(0).tolist())

# (2) KS 検定（分布の一致度）
for c in real.columns:
    stat, p = ks_2samp(real[c], synth[c])
    print(f'{c}: KS={stat:.3f}, p={p:.3f}')

# (3) 分布の重ね描き
fig, axes = plt.subplots(1, 4, figsize=(16,4))
for ax, c in zip(axes, real.columns[:4]):
    ax.hist(real[c],  bins=15, alpha=0.5, color='#1976D2', label='実')
    ax.hist(synth[c], bins=15, alpha=0.5, color='#C62828', label='合成')
    ax.set_title(c); ax.legend()
plt.tight_layout(); plt.savefig('synth_compare.png', dpi=150)

⚠️ 追加の落とし穴 ── 合成データを使うときに 9 割が間違うこと

🔗 関連用語（拡張）

🗺 概念マップ ── 合成データの位置づけ

🎬 シナリオ深掘り ── 合成データが活きる 5 場面

🎓 「数式を言葉で読み解く」拡張

📋 報告テンプレ ── 合成データを使った研究の書き方

🧠 学習のつまずきポイント Top 3

1. 「乱数 = 合成データ」と誤解する：合成データは 分布を学習した上での 乱数。 単純な np.random.normal() は合成データではありません。 必ず「何の分布をどう学習したか」を意識する。
2. サンプルサイズ拡張＝精度向上と勘違い：47 件を 47 万件に拡張しても、 真の母集団についての情報量は変わりません。 信頼区間は元の n に依存します。 合成データで「検定力を稼ぐ」のは反則です。
3. 個人情報保護を生成器に任せきり：「CTGAN だから安心」ではなく、 必ず ε 値とメンバーシップ推定攻撃の成功率を測定して報告する。 合成データの品質保証は 多次元 です。

💡 直感を補強する別の比喩

• 絵画の模写：合成データは「実データの模写」── 全体の雰囲気は再現するが、 細部のサインや筆致は失われる。 模写を真贋鑑定に使えないのと同様、 合成データを真の答えとして使わない。
• 料理のレシピ復元：味見と材料リストから「同じ味の料理」を作る ── 完全に同じではないが、 食卓に出せる程度には再現される。 SSDSE 47 件は「味見」、 合成データは「復元料理」。
• 地形の等高線地図：実データの「山の高さ」（個別レコード）は隠し、 「地形の起伏」（分布）だけを残す。 地図で道は分かるが、 個人宅は特定できない。
• 影絵芝居：実物の影だけが見える ── 形は分かるが本物ではない。 影だけで物を扱う限界がある（高次の質感は失われる）。

🛠 トラブルシューティング

🐍 Python：CTGAN による高品質生成

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

import os
os.makedirs('data', exist_ok=True)   # 書き出し先を先に作る
import os
os.makedirs('data/processed', exist_ok=True)  # 保存先のフォルダを作っておく

from sdv.single_table import CTGANSynthesizer

real = df[['A1101','A1303','A4101','A4200','B4101']].dropna()
meta = SingleTableMetadata()
meta.detect_from_dataframe(real)

ctgan = CTGANSynthesizer(meta, epochs=300, batch_size=16, verbose=True)
ctgan.fit(real)
synth_ctgan = ctgan.sample(num_rows=470, random_state=0)
print('CTGAN による合成データ平均:')
print(synth_ctgan.mean())
synth_ctgan.to_csv('data/processed/ctgan_ssdse.csv', index=False)

🐍 Python：Differential Privacy 付き合成データ

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

from snsynth import Synthesizer

# ε=1.0 で DP 保証
synth_dp = Synthesizer.create(
    'patectgan',
    epsilon=1.0,
    delta=1e-6
).fit(real, preprocessor_eps=0.5).sample(470, random_state=0)

print('DP-CTGAN 合成データ 平均:', synth_dp.mean())
print('プライバシー予算 ε = 1.0')
print('メンバーシップ推定攻撃の理論限界 = exp(1)/(1+exp(1)) = 0.731')

📊 ベンチマーク ── 合成データ生成手法の比較

🧪 ケーススタディ ── 「データ提供 vs 合成データ」の意思決定

📚 学術的な背景 ── 合成データ研究の系譜

合成データの概念は Rubin (1993) による Multiple Imputation（多重代入法）に遡ります。 当時は欠損値補完のために「分布から複数回サンプリングする」アイデアでしたが、 2000 年代に入って Census 局（米国）が「Synthetic Public Use Microdata」を公開したことで、 プライバシー保護目的の合成データ として概念が拡張されました。 2014 年の Goodfellow らによる GAN 発表以降、 ニューラルネット系の生成モデルが急速に発展し、 2019 年の CTGAN（Xu et al.）で表形式データの合成品質が実用レベルに到達しました。

2020 年代は 差分プライバシー（Dwork et al., 2006） との融合が主戦場。 DP-SGD, PATE, DP-CTGAN, PATE-GAN など、 「ε-DP 保証付きで高品質な合成データを作る」のが研究のフロンティアです。 産業界でも Mostly AI, Synthesized, Gretel, Hazy などのスタートアップが商用 SaaS を提供。 EU の GDPR や日本の改正個人情報保護法を背景に、 合成データの法的位置づけ も整備が進んでいます。 今後は「Diffusion Model ベースの合成」「LLM による表形式生成」「フェデレーテッド合成」が研究と実務の交点になると見られています。

❓ FAQ 拡張

🎯 「合成データに強くなる」3 つの習慣

1. 必ず KS 検定や Wasserstein 距離で品質評価 ── 「とりあえず生成して使う」のではなく、 各列の分布が実データと統計的に一致するか確認。 SDV の自動評価機能を使うのが楽。
2. ε 値とメンバーシップ推定攻撃の両方を測定 ── ε 単独では実プライバシーが保証されません。 攻撃シミュレーションで実害がないことを確認してから公開。
3. 合成データを「ハンマー」として使わない ── 全ての問題に合成データを当てるのではなく、 「実データ収集が困難」「プライバシー保護が必須」「サンプル拡張が有効」の 3 条件のどれかが当てはまる場合のみ採用。

🧭 次に読むべきページ ── 学習ルート

📋 最終チェックリスト

📊 「合成データとは何か」可視化サマリー

🌐 ハンズオン教材へのリンク

本サイトの再現論文集の中から、 合成データの概念が実際に登場する論文を選び、 ハンズオン形式で学ぶことができます。 用語ページの「学ぶ」と論文ページの「使う」が往復することで、 合成データの知識が 実践知 に変わります。

• 論文一覧トップ から「合成データ」「プライバシー」「データ拡張」のキーワードで論文を絞り込み
• 論文の「再現実装」セクションを jupyter notebook で開き、 提供されたコードを実行
• SDV や CTGAN を実際にインストールし、 SSDSE-B-2026 で合成データを作る練習
• 本ページの Utility 評価コードを写経し、 KS 検定や TSTR で品質を確認

📝 学習履歴メモ ── 「自分で書く欄」

🐍 Python：TSTR（Train on Synthetic, Test on Real）評価

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score
import pandas as pd

real = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
real = real[real['SSDSE-B-2026'] == 2023]  # 2023 年断面
synth = pd.read_csv('data/processed/synth_ssdse.csv')
features = ['A1101', 'A4101', 'A4200']
target   = 'A1303'

# (1) 実データ -> 実データ（基準性能）
m_rr = LinearRegression().fit(real[features], real[target])
r2_rr = r2_score(real[target], m_rr.predict(real[features]))

# (2) 合成データ -> 実データ（TSTR）
m_sr = LinearRegression().fit(synth[features], synth[target])
r2_sr = r2_score(real[target], m_sr.predict(real[features]))

# (3) 実データ -> 合成データ（参考）
r2_rs = r2_score(synth[target], m_rr.predict(synth[features]))

print(f'実→実 (基準):  R² = {r2_rr:.3f}')
print(f'合→実 (TSTR): R² = {r2_sr:.3f}  ← 合成の実用性')
print(f'実→合 (参考):  R² = {r2_rs:.3f}')
print(f'TSTR ギャップ: {r2_rr - r2_sr:.3f}')

🐍 Python：合成データでブートストラップ信頼区間（教材用）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

import numpy as np
synth = pd.read_csv('data/processed/synth_ssdse.csv')
synth['aging_rate'] = synth['A1303'] / synth['A1101'] * 100

means = []
for _ in range(2000):
    sample = synth['aging_rate'].sample(n=47, replace=True)
    means.append(sample.mean())
ci_low, ci_high = np.percentile(means, [2.5, 97.5])
print(f'合成データの 47 件再標本による平均 95% CI:')
print(f'  [{ci_low:.2f}%, {ci_high:.2f}%]')
print(f'実データ平均: {(real["A1303"] / real["A1101"] * 100).mean():.2f}%')

📐 補足の数式 ── Wasserstein 距離による品質評価

Wasserstein 距離（Earth Mover's Distance）は「ある分布を別の分布に変えるのに必要な最小コスト」。 KS 検定よりも分布のずれを定量化しやすく、 GAN の損失関数としても用いられます（WGAN）。 SSDSE-B-2026 の例で W₁=0.05 程度なら高品質、 W₁=0.3 以上なら品質に課題ありの目安。

🐍 Python：Wasserstein 距離で品質定量化

1
2
3
4
5

from scipy.stats import wasserstein_distance
for c in ['A1101', 'A1303', 'A4101', 'A4200']:
    w = wasserstein_distance(real[c], synth[c])
    rel_w = w / real[c].mean()
    print(f'{c}: W1 = {w:.1f}  (相対 {rel_w*100:.2f}%)')

🧰 補助 Python ── 「合成データを可視化する」スニペット集

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import matplotlib.pyplot as plt
fig, ax = plt.subplots(figsize=(7,6))
ax.scatter(real['A1101'],  real['A1303'],  s=50,
           color='#1976D2', label='実 (n=47)', alpha=0.7)
ax.scatter(synth['A1101'], synth['A1303'], s=15,
           color='#C62828', label='合成 (n=470)', alpha=0.3)
ax.set_xlabel('総人口 (A1101)'); ax.set_ylabel('老年人口 (A1303)')
ax.set_xscale('log'); ax.set_yscale('log')
ax.legend(); ax.set_title('総人口 × 老年人口（実 vs 合成）')
plt.tight_layout(); plt.savefig('synth_scatter.png', dpi=150)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import seaborn as sns
fig, axes = plt.subplots(1, 2, figsize=(14, 5))
# real / synth は上のブロックで作った 4 列だけを持つ
cols = ['A1101', 'A1303', 'A4101', 'A4200']
sns.heatmap(real[cols].corr(),  ax=axes[0], annot=True,
            cmap='coolwarm', vmin=-1, vmax=1)
axes[0].set_title('実データの相関')
sns.heatmap(synth[cols].corr(), ax=axes[1], annot=True,
            cmap='coolwarm', vmin=-1, vmax=1)
axes[1].set_title('合成データの相関')
plt.tight_layout(); plt.savefig('synth_corr.png', dpi=150)

これら 4 つの可視化（一変量分布の重ね描き・散布図・相関ヒートマップ・KS p-value 表）を 1 セットで作っておくと、 「合成データを使う任意のプロジェクト」で 90% のレビュー要件をカバーできます。

📖 用語の言い換え辞典

🔬 合成データを巡る現代的トピック

📖 推奨書籍・教材（拡張）

• 『Synthetic Data for Deep Learning』（Nikolenko, Springer 2021）── 合成データの理論と実践の入門書。 画像中心だが表形式にも応用可能。
• 『Privacy-Preserving Machine Learning』（Manning 2023）── 差分プライバシーと合成データの実装を Python で学べる。
• 『データ匿名化技法』（佐久間 淳、 共立出版 2024）── 日本語で読める数少ない匿名化・合成データ専門書。
• SDV 公式チュートリアル（https://docs.sdv.dev/）── 実例ベースのハンズオン。
• OpenDP（Microsoft + Harvard）── 差分プライバシーの参照実装。 ε 計算が学べる。
• NIST Differential Privacy Synthetic Data Challenge── 国際的なベンチマーク・データセット。

🧮 補足計算 ── 「47 → 470 で何が変わるか」

結論： 合成データで n を増やすと、 標本平均・標準偏差は維持されるが、 標準誤差と信頼区間が 見かけ上 縮みます。 これは「合成データの中の精度」であって「真の母集団に対する精度」ではありません。 真の検定力を得たいなら、 元のサンプルを実際に増やす（追加調査・新規データ収集）必要があります。 この事実を理解せずに「合成データで p<0.05 を達成しました」と報告すると、 査読者から大きく減点されます。

🎓 まとめ ── 合成データを業務で扱う 3 つの心構え

🔬 関連研究の主要ライブラリ比較

🔍 実データに合成データを混ぜる時の混合比

クラス不均衡対策で合成データを混ぜる場合、 「実 vs 合成」の比率が性能を大きく左右します。 SSDSE-B-2026 で「高齢化深刻県（陽性 25 件）」を 70 件に拡張したい場合の検討。

→ 「実 70 ：合成 30」が経験的な最適配合。 合成データを 5 割超に混ぜると、 モデルが 合成データの癖 を学習してしまい、 実データへの汎化性能が下がります。

🌐 海外動向 ── 合成データの社会実装

• 米国：Census Bureau が「Synthetic Public Use Microdata」を 2008 年から公開。 IRS（国税庁）も合成 1040 データを研究者向けに提供。
• 英国：ONS（国家統計局）が NHS（国民保健サービス）データの合成版を提供。 医療研究者は ε=1 の合成版で予備分析後、 実データへのアクセスを申請。
• EU：GDPR の「データ保護バイデザイン」原則に基づき、 多くの公的機関が合成データ提供を標準化。 EU AI Act（2025 年施行）でも合成データの利用ガイドラインが明文化された。
• 日本：個人情報保護委員会が「仮名加工情報」「匿名加工情報」の延長として合成データを位置づけ。 統計センター（SSDSE 提供元）も合成版マイクロデータの研究公開を検討中（2026 年予定）。
• 韓国・シンガポール：政府主導でデータバンク事業に合成データを採用。 民間スタートアップとの協業で急速に拡大中。

🛠 トラブルシューティング（拡張）

🎯 最後に

合成データは「銀の弾丸」ではありません。 「実データの分布的影」「プライバシー保護下のサンプル拡張」「シナリオ分析の道具」── どの用途であっても、 必ず Utility と Privacy の両方を測り、 用途を明示し、 限界を併記してください。 SSDSE-B-2026 のような小サンプル公的データでは特に、 「合成 470 件 ＝ 実 47 件と同等の情報量しかない」という事実を肝に銘じることが、 合成データを安全に使うための第一歩です。 本ページはあなたが論文・業務で合成データに出会ったときの「相棒」として、 何度でも戻ってきてください。

📊 図表で確認する合成データの品質

合成データの妥当性は数値指標（KS 検定 p 値、 Wasserstein 距離、 TSTR）だけでなく、 視覚的に「実データと合成データの分布が重なっているか」「散布図のパターンが保たれているか」「群ごとの分散構造が壊れていないか」を必ず確認します。 ここでは SSDSE-B-2026 の都道府県データを実体として、 散布図・ヒストグラム・箱ひげ図の 3 観点から確認します。 これら 3 図は合成データ品質確認の 「初動三点セット」 と覚えてください。

図 1：散布図で 2 変量関係の保存を確認

散布図は「合成データが 変数間の相関構造 を保てているか」を一目で判断できる図です。 SSDSE-B-2026 で総人口（A1101）と老年人口（A1303）の散布を描き、 実 47 件と合成 470 件を重ねます。 もし合成データの雲が実データから外れていたら、 多変量正規仮定や Copula 学習がうまくいっていません。 下図はその基本パターンを示すデモ画像です。

読み方： 散布図で確認すべきは (1) 点群の 形状（直線的か曲線的か）、 (2) 密度（中心が一致しているか）、 (3) 外れ値（実データの極端値が合成で再現されているか、 あるいは合成で過剰に生成されていないか）の 3 点です。 もし合成データが実データの範囲を大きく超えて拡散していれば、 学習が不十分か過学習の兆候。 逆に合成データが実データの中心付近に集中しすぎていれば、 多様性不足（mode collapse）の可能性があります。

図 2：ヒストグラムで周辺分布の保存を確認

ヒストグラムは「合成データが 各変数の周辺分布 を保てているか」を確認するための基本図です。 KS 検定の p 値が高くても、 視覚的には微妙な歪みや双峰性のずれが残ることがあります。 SSDSE-B-2026 の人口分布は東京・大阪・愛知などの大都市が右裾を強く伸ばす歪んだ分布になるため、 多変量正規仮定では再現が難しい典型例です。

読み方： ヒストグラムで確認すべきは (1) ピーク位置 の一致、 (2) 裾の長さ の一致、 (3) 双峰性・多峰性 の保存。 SSDSE-B のような小サンプル（n=47）では合成データのヒストグラムが滑らかに見えやすいですが、 これは bins 数を増やすと崩れることがあります。 必ず複数の bins 設定（10, 20, 50）で確認するのが安全です。 また、 対数変換後のヒストグラム（人口など右裾の重い分布）で比較すると、 歪みの再現性が明瞭になります。

図 3：箱ひげ図で群ごとの分散構造を確認

箱ひげ図は「合成データが 群（カテゴリ）ごとの分散構造 を保てているか」を確認する手段です。 SSDSE-B-2026 を地方ブロック（北海道・東北・関東・中部・近畿・中国・四国・九州沖縄）に分け、 各群の人口分布を箱ひげ図で比較します。 関東ブロックは東京を含むため中央値も箱の幅も他の群より大きいはずで、 合成データがこの群差を再現できなければ「群構造の崩壊」と判定します。

読み方： 箱ひげ図で確認すべきは (1) 群ごとの中央値順序（関東 > 近畿 > 中部 ... が保たれているか）、 (2) IQR の大きさ（各群の散らばりが実データと合成で一致しているか）、 (3) 外れ値の位置（東京のような極端値が合成でも残っているか）。 合成手法が条件付き生成（Conditional GAN / CTGAN）をサポートしている場合は「ブロック」をラベルとして与えて生成し、 群構造を明示的に学習させると群差の再現性が高まります。

📋 合成データ品質指標の早見表（拡張）

合成データの妥当性を客観的に評価するには、 複数の指標を組み合わせる必要があります。 単一指標だけでは「分布は一致しているが ML 精度が低い」「ML 精度は高いがプライバシーが破れている」といった盲点を見落とします。 以下は実務で標準的に使われる指標の早見表です。 SSDSE-B-2026 のような小サンプル公的データでは、 (1) Utility（KS, Wasserstein, TSTR）と (2) Privacy（Membership Inference, ε-DP）を 必ず両方 評価してください。

🧪 SSDSE-B-2026 で合成データを試す全体フロー

SSDSE-B-2026（47 都道府県 × 約 100 変数）で合成データを生成するフローは以下です。 47 行という極小データセットでは、 合成データ生成と評価の 「全工程を 1 サイクル」 として理解しておくことが重要です。 ステップを飛ばすと「分布は一致したように見えるがプライバシーが破れている」「ML 精度は高いが実データに移行すると激しく劣化する」といった失敗が起きます。

1. Step 1 ── 目的設定：合成データを何に使うか明示。 「ML 開発用？プライバシー保護で公開用？シナリオ拡張用？」で許容できる Utility/Privacy のトレードオフが変わる。
2. Step 2 ── 前処理：欠損補完（平均/中央値/KNN）、 外れ値処理（クリップ or 残す）、 スケーリング（標準化 or Min-Max）。 SSDSE-B は欠損が少ないが、 単位の異なる列を混ぜると合成品質が下がるため必ず標準化する。
3. Step 3 ── 生成手法の選定：(a) 多変量正規（小サンプル向け、 5 分以内）、 (b) Copula 法（SDV ライブラリ、 10 分）、 (c) CTGAN（GPU 推奨、 30 分以上）、 (d) DP-CTGAN（プライバシー保証付き、 1 時間以上）。
4. Step 4 ── 学習：SDV なら model.fit(real_data)、 CTGAN なら epochs=200〜300。 47 行という小データでは過学習リスクが高いため早期停止を必ず設定。
5. Step 5 ── サンプリング：synth = model.sample(470)。 実データの 10 倍までが安全圏。 100 倍以上生成すると分布の「平滑化」が進み、 外れ値が消える。
6. Step 6 ── 値域チェック：np.clip(synth, real.min(), real.max()) で物理的にあり得ない値（負の人口など）をクリップ。
7. Step 7 ── Utility 評価：KS 検定（各列）、 Wasserstein 距離、 相関行列差、 TSTR（合成で学習→実でテスト）の 4 指標を必ず計算。
8. Step 8 ── Privacy 評価：Membership Inference Attack を実施。 AUC が 0.55 未満なら良好、 0.60 以上なら ε を強化（小さくする）。
9. Step 9 ── 視覚的確認：散布図・ヒストグラム・箱ひげ図の三点セットで「数値指標では見えない歪み」を必ずチェック。
10. Step 10 ── ドキュメント化：生成手法・パラメータ・評価結果・既知の限界を README に明記。 合成データを再現可能にする。

🚧 落とし穴の追加事例

📚 学術文献・実装ライブラリのナビゲーション

合成データの理論と実装は、 近年急速に体系化が進んでいます。 以下は 2026 年時点で 標準とされる 文献・ライブラリ・標準化文書のナビゲーションです。 自分の目的に応じて該当する資料を選んで深掘りしてください。

💎 さらに深く学ぶための補足ノート

合成データの理論的背景には、 確率分布の近似、 情報理論、 最適輸送理論（Wasserstein 距離はその応用）、 差分プライバシーの数学的フレームワーク、 GAN の min-max 最適化、 変分推論、 Copula 理論など、 数多くの基礎数学が絡みます。 本ページではこれらの詳細には立ち入りませんでしたが、 SDV/CTGAN を使いこなすには、 少なくとも (1) 多変量正規分布の理解、 (2) Kolmogorov-Smirnov 検定の意味、 (3) GAN の概要、 (4) 差分プライバシーの ε の解釈、 の 4 点は把握しておくことを強く推奨します。 これらは本ページの「🔗 関連用語」セクションのリンクから順にたどれます。 焦らず、 自分のペースで体系を組み立てていってください。 なお、 合成データの分野は 2020 年代以降、 GAN・VAE・Diffusion Model といった生成モデルの研究進展に呼応するかたちで急激に発展しており、 ライブラリ・規制・ベストプラクティスが半年単位で更新されています。 本ページの内容も 定期的に最新情報を確認 しながら活用してください。

🧷 合成データ運用の「黄金ルール」 3 箇条

最後に、 数ある原則の中でも「これだけは絶対に守る」べき黄金ルールを 3 つにまとめます。 これを破ると、 合成データを使った全ての分析・公開が無価値になる可能性があります。 SSDSE-B-2026 を含むあらゆる場面で適用される、 普遍的な原則です。 一行ずつゆっくり読んでください。

🌟 合成データを使う上で大切な 5 つの心構え

合成データの技術的な詳細はここまで詳しく述べてきましたが、 最後に 心構え として大切にしてほしい 5 点を述べます。 ツールやライブラリは変わっても、 この 5 点はずっと変わらない原則です。 SSDSE-B-2026 のような 公開データ を扱う場面でも、 機微データ を扱う場面でも、 共通して有効です。

1. 謙虚であること：合成データは実データを完全には再現できない。 「99% は再現できているが、 残り 1% に大事な何かが隠れているかもしれない」と常に疑い、 重要な意思決定は実データで検証する。
2. 透明であること：使った手法・パラメータ・評価指標・既知の限界をすべて公開する。 隠すと利用者の信頼を失うだけでなく、 自分自身も後から検証できなくなる。
3. 多角的に評価すること：単一指標（KS p 値だけ、 AUC だけ）に頼らず、 Utility・Privacy・Fidelity の三軸から多面的に評価する。 1 つでも危険信号が出たら立ち止まる。
4. 用途に応じて使い分けること：「教育演習」「ML 開発」「公開」「規制対応」で要求される品質・プライバシーレベルは違う。 すべてに同じ手法を使うのは 過剰 または 不足 のどちらかになる。
5. 定期的に見直すこと：実データが更新されたら合成データも更新する。 古い合成データを使い続けると、 分析結果が現実から乖離していくのは時間の問題。 年次更新を運用ルーチンに組み込む。

これらの心構えは「合成データの使い方」というよりも「データを扱う者の姿勢」と言った方が近いかもしれません。 合成データはあくまで道具であり、 その道具をどう使うかで結果が大きく変わります。 SSDSE-B-2026 という実体のあるデータを通じて、 これらの原則を 体感 していただけたら幸いです。

📘 合成データ Q&A（追加 10 問）

合成データに関して、 実務・教育現場で頻出する追加質問を 10 問まとめます。 前の FAQ では基本を扱ったので、 ここでは 応用的・実装的な 質問に絞ります。

⚖️ 合成データと匿名加工・仮名加工の比較

日本の個人情報保護法では「匿名加工情報」「仮名加工情報」が定義され、 実務でも広く使われています。 合成データはこれらとどう違うのか、 どの場面で使い分けるべきかを整理します。 SSDSE-B-2026 は すでに公開されている都道府県集計値 なので、 個人情報には該当しません。 ただし、 県レベルでも「全国に 1 つしかない属性（例：47 番目に小さい県、 唯一の◯◯）」を含む場合は再識別リスクがあるため、 県名を伏せた合成データを作るケースもあります。

使い分けの原則： 「社内・委託で使う」なら仮名加工、 「公開・第三者提供」なら匿名加工 or DP 付合成データ、 「ML 開発・教育演習」なら合成データ（非 DP）、 「医療・極めて機微なデータ」なら k-匿名化 + DP の組み合わせ、 という整理が実務で使いやすいです。

📌 用語まとめ ── このページで出てきた略語・専門用語

本ページで多用した略語・専門用語の早見表です。 他の用語ページを読む際にも参照してください。

🧠 合成データを使う前の自問自答リスト

合成データを生成する前に、 必ず以下の質問に 自分の言葉で 答えてください。 ここを曖昧にしたまま生成を始めると、 評価指標を選び間違えたり、 用途に合わない手法を選んでしまったりします。 SSDSE-B-2026 を例に、 自問自答リストの実例を併記します。

📅 合成データ運用のライフサイクル

合成データは「一度作って終わり」ではありません。 実データが更新されれば合成データも更新が必要で、 評価指標も時間経過で再測定が必要です。 以下は合成データの典型的なライフサイクルです。 SSDSE-B-2026 のように 年次更新 される公的データでは、 ライフサイクルを意識した運用が特に重要です。

1. 計画フェーズ（1 週間）：目的設定、 関係者合意、 法的レビュー（プライバシー・ライセンス）
2. 生成フェーズ（1〜3 日）：前処理、 手法選定、 学習、 サンプリング、 値域チェック
3. 評価フェーズ（2〜5 日）：Utility 評価、 Privacy 評価、 視覚的確認、 ステークホルダー承認
4. 公開フェーズ（数時間）：README 作成、 ライセンス付与、 リポジトリ公開
5. 運用フェーズ（継続）：利用ログ収集、 フィードバック窓口設置、 不具合報告対応
6. 更新フェーズ（年次）：実データ更新時の再生成、 評価指標再測定、 README 更新
7. 廃止フェーズ（適時）：古い合成データの公開停止、 利用者への移行案内、 アーカイブ化

運用 Tip：合成データの GitHub リポジトリでは、 リリースごとに「v1.0 (元データ SSDSE-B-2025)」「v2.0 (元データ SSDSE-B-2026)」とバージョン管理を徹底してください。 利用者は元データのバージョンを必ず確認する必要があります。

📖 合成データの種類と選び方ガイド

合成データといっても種類は多岐にわたります。 大きく分けると (1) 統計モデルベース、 (2) 機械学習ベース、 (3) ルールベース・シミュレーションベース の 3 系統があり、 用途・サンプルサイズ・計算リソースで使い分けます。 SSDSE-B-2026 のような小サンプル公的データでは、 (1) 統計モデルベース（多変量正規・Copula）か (2) の中でも軽量な GMM/Bayesian Network が現実的です。 CTGAN/TVAE/DP-CTGAN は GPU が必要で、 n=47 では学習が不安定になります。

🤝 合成データとの正しい付き合い方（マインドセット）

技術的な手順だけでなく、 合成データを使う上での 姿勢 も重要です。 以下は実務で長く合成データを使ってきた経験から得られる「合成データとの正しい付き合い方」です。 短い格言の形で覚えておくと、 判断に迷ったときの指針になります。

• 合成データは「実データの影」── 実体ではない：影は形を伝えるが、 質感や個別事情までは伝えない。 個別判断は必ず実データで。
• 「件数 × 質」で評価する：合成 1 万件より、 実 100 件＋丁寧な分析の方が信頼性が高いことが多い。
• 「Utility と Privacy はトレードオフ」を受け入れる：両方 100% は不可能。 用途に応じて優先順位を決める。
• 「再現性」を最優先に：合成データの生成スクリプト・パラメータ・乱数シードは必ず保存。 半年後に再現できなければ無価値。
• 「合成データに頼りすぎない」：研究計画の段階から「実データへのアクセス申請」を並行で進める。 合成データはあくまで橋渡し。
• 「限界を明示する文化」を作る：論文・報告書には必ず「合成データの限界」セクションを設ける。 隠すと信頼を失う。
• 「定期的に再生成する」：元データが更新されたら合成データも再生成。 古い合成データを使い続けると分析が時代遅れに。
• 「他者と共有する前に必ず Privacy 評価」：Membership Inference や ε-DP の値を測らずに配布するのは危険。 公開前のチェックを習慣に。

🔍 ケーススタディ：SSDSE-B-2026 における合成データ活用シナリオ

SSDSE-B-2026 は 47 都道府県 × 約 100 変数（人口、 経済、 教育、 医療、 交通など）の横断データです。 教育現場・自治体・研究機関でこのデータを使う際、 合成データが役立つ典型シナリオを 3 つ示します。 それぞれで「合成データを使う理由」「具体的な手順」「期待される効果と限界」を明確化しています。

シナリオ A：教育現場での演習用データ拡張

大学・高校の統計演習で「47 都道府県」だけだと、 学生が散布図・ヒストグラム・回帰分析を試すには サンプルサイズが小さすぎる という問題があります。 合成データで 470 件、 4,700 件と段階的に増やせば、 学生は「サンプルサイズが大きくなると信頼区間がどう狭くなるか」「外れ値の影響がどう薄まるか」を実体験できます。 ただし「合成データの 4,700 件は実 47 件分の情報しかない」ことを必ず注記してください。

シナリオ B：自治体での部局横断分析の事前検証

自治体（市・県）が「教育部局」と「福祉部局」のデータを連結して分析する際、 個人情報保護の観点から実データを部局間で共有できないことがあります。 合成データなら共有可能 ── 各部局が 合成版 を作成し、 連結分析の 方法論 を事前検証してから、 最終的に専用環境で実データを連結して結論を出します。 これは「合成データを 方法論検証 に使う」典型例です。

• Step 1：各部局が SSDSE-B 相当の 合成データ を作成（CTGAN, ε=1）。 部局間共有可。
• Step 2：分析チームが合成データで 連結 SQL、 マッチング処理、 欠損補完ロジック を組み立てる。
• Step 3：合成データで結果が出たら、 セキュア環境（自治体内オンプレ）で実データに同じスクリプトを適用。
• Step 4：実データの結果と合成データの結果を比較。 大きく食い違えば合成手法の見直し。

シナリオ C：研究機関でのオープンサイエンス公開

大学・国立研究機関が研究成果を 論文と共に公開 する際、 元データそのままを公開できないケースが多々あります（プライバシー、 ライセンス、 共同研究契約）。 そこで「論文の表・グラフ・統計テストを 再現できる程度」の合成データを生成して GitHub・Zenodo に公開する流れが、 海外の Nature・Science でも標準化しつつあります。 合成データの README には「生成手法 SDV CopulaGAN, ε=2, 元サンプル n=47, 合成サンプル n=470, KS p>0.05 全列達成」と明記。

🧪 「合成データ vs 実データ」結果比較フォーマット

合成データを論文や報告書で使う際、 必ず以下のフォーマットで「合成と実の結果比較」を提示してください。 これにより査読者・読者が合成データの妥当性を判定できます。 SSDSE-B-2026 を例に、 比較テンプレを下表に示します。

上表は 論文・報告書の Supplementary Material 標準フォーマット として活用してください。 査読者は「Δ が大きすぎないか」「Privacy 指標を提示しているか」「TSTR ギャップを示しているか」の 3 点を必ずチェックします。

🎯 まとめチェックリスト

本ページで学んだことを 自分のプロジェクト に当てはめて確認するチェックリストです。 すべての項目が「はい」になるまで、 合成データを実務で公開・配布しないことをおすすめします。

• □ 合成データの 目的（ML 開発／公開／教育）が明文化されているか
• □ ID 列・キー列を除去または匿名化したか
• □ 値域チェック（負の人口、 非物理的な値）を実施したか
• □ KS 検定で 全列 p > 0.05 を確認したか
• □ Wasserstein 距離（相対）が全列 10% 未満か
• □ 相関行列差 |Δr| ≤ 0.05 を全ペアで確認したか
• □ TSTR（合成→実）の精度ギャップが 0.05 未満か
• □ Membership Inference AUC が 0.55 未満か
• □ 散布図・ヒストグラム・箱ひげ図で視覚的に確認したか
• □ 群（カテゴリ）ごとの分散構造が保存されているか
• □ 生成手法・パラメータ・乱数シードを README に明記したか
• □ 「合成データの件数 ≠ サンプルサイズ」を読者に注記したか
• □ 既知の限界（小サンプル、 多変量正規仮定、 mode collapse）を明示したか
• □ 複数表データの場合、 join 構造を保存する手法（HMA）を選んだか
• □ 規制（GDPR, 個人情報保護法, EU AI Act）への準拠を確認したか

🧭 関連用語ナビゲーション（再掲）

🗺 概念マップ

「simulated data」を中心とした関連概念マップ。

マップ中心の合成データから 6 軸が伸びる。 「モンテカルロ法 (確率分布からの抽出)」「GAN/VAE (深層生成モデル)」「データ拡張 (画像・テキスト)」「差分プライバシー (匿名化)」「シミュレーション (物理・経済モデル)」「ベンチマーク用合成 (アルゴリズム評価)」の 6 系統が中央から放射状に伸び、 SSDSE-B-2026 の構造を真似た模擬データセットを生成する用途で頻繁に組み合わされる。

🔗 隣接手法への橋渡し

「シミュレーションデータ」は 真の生成過程が分かっている人工データ として、 上流の仮説設計と下流の手法検証・教育用ハンズオンを繋ぐ。 実データ不足時の代替や、 privacy 制約下での共有データ作成、 検出力計算など多様な役割を持つが、 必ず「合成である」明示が求められる。

⬆️ 上流: 生成モデルの選定

• 確率分布 — rnorm/rbeta などの選択
• モンテカルロ法 — 乱数による期待値推定
• 乱数 — 再現性のための seed 管理

⬌ 並列: 他のデータ源

• 合成データ — 元データから模倣生成
• 実データ — 本番性能の最終確認
• データ拡張 — 既存に変形を加える

⬇️ 下流: 検証・解釈

• 検出力分析 — 必要サンプル数推定
• 感度分析 — パラメータの影響度
• バリデーション — 実データでの性能確認

シミュレーションデータは仮説検証・必要サンプル推定の道具で、 確率分布の選定 → 乱数 seed 固定 → 感度分析 → 実データ検証 のサイクルで「理論と現実の橋渡し」になる。

🌳 手法選択フロー

「合成データ」を扱う際の手法選択は、 状況に応じて以下のフローで判断すると迷いが減る。

1. Step 1: 目的は記述か予測か?
   • 記述 (現状把握・要約) → 集計・可視化・要約統計量で全体像を掴む
   • 予測 (未知データへの推定) → モデル構築・検証フェーズへ移行
2. Step 2: データの種類・規模は?
   • 数値・連続変数 → 確率分布からの直接サンプリング (rnorm / rbeta / rgamma)
   • カテゴリ変数中心 → SDV (Synthetic Data Vault) や CTGAN で表構造を保ったまま生成
   • 大規模・高次元 → モンテカルロベースの逐次サンプリングや並列化 (multiprocessing / Dask)
   • 時系列・時間依存 → ARIMA 残差ブートストラップ / VAR からの予測サンプリング
   • プライバシー考慮 → 差分プライバシー (DP-SGD) 付きの生成、 元データ復元リスクを定量化
3. Step 3: 結果の解釈・共有は?
   • 専門家向け → 数値指標・統計検定で精緻に評価
   • 非専門家向け → 可視化・自然言語での要約を重視

このフローに沿って判断することで、 「合成データ」を中核とした適切な手法選択ができる。

🎮 触って理解する

合成データの本質は「データ生成モデルを自分で決めて、そこからデータを作る」ことです。 ここでは真の直線モデル $y = \beta_0 + \beta_1 x + \varepsilon$（$\varepsilon \sim N(0, \sigma^2)$）を指定し、そこから合成データを生成します。 生成したデータに最小二乗法（OLS）で回帰を当て、真のパラメータをどれだけ復元できるかを体感してください。 スライダーを動かすと図と数値がリアルタイムで更新されます。 図の上をドラッグ（タッチ可）すると真の直線を直接動かせます。

直感：真のモデルを決めてデータを作る

実データ分析では「真の生成過程」は不可知で、手元のデータから推定するしかありません。 合成データはこの矢印を逆向きに使います ── まず自分が「正解」（β₀, β₁, σ）を決め、そこからデータを作る。 だから正解を知った状態で手法を採点できるのです。 上のツールでノイズ σ を 0 に近づけると点が直線に乗り、推定値（青の破線）が真値（橙の実線）にピタリ重なります。 逆に σ を大きくすると点が散らばり、推定は真値から外れます。 n を増やすと、同じノイズでも推定の傾き誤差が小さくなる ── これは推定量の標準誤差が $1/\sqrt{n}$ で縮む性質そのものです。

よくある落とし穴：生成前提への依存と現実との乖離

このツールは「線形・等分散・正規ノイズ・x と ε は独立」という前提で作っています。 もし現実のデータが曲線的だったり、分散が x とともに増える（不等分散）としたら、この前提で作った合成データはその癖を持ちません。 「合成データで手法がうまくいった」＝「実データでもうまくいく」ではないのは、合成が前提に閉じているから。 生成モデルが実分布を外していれば（$P_{\text{model}} \neq P_{\text{real}}$）、そこで検証した結論は現実で崩れます。 ノイズの分布形と、確率分布の選び方が合成の質を決めます。

発展：この仕組みは何に使われるか

• モンテカルロ実験：同じ真値から乱数だけ変えて何百回も生成し（「🎲 新しい乱数で再生成」の繰り返し）、推定値のばらつき＝標準誤差や信頼区間の被覆率を実測する。
• 手法検証・ベンチマーク：正解を知っているので、新しい推定手法が真値をどれだけ復元するかを客観採点できる。検出力分析やバリデーションの土台。
• データ拡張：既存データの分布を模して少数クラスを水増しし（SMOTE 等）、学習を安定させる。ただし分布外は作れない。
• プライバシー保護合成：個人を特定できない架空データを生成して共有する。差分プライバシーと組み合わせ、忠実度と再特定耐性のトレードオフを管理する。

関連：生成 AI（GAN・VAE）、ブートストラップ（実データから再標本化する別ルート）、実データとの対比、乱数（seed 固定で再現性を担保）。

🧭 深掘り追補 ── 直感・落とし穴・発展をもう一段

本ページの各章を踏まえ、 直感 → 落とし穴 → 発展 の順で理解をもう一段深めます。 この追補の数値は SSDSE-B-2026（2023 年・47 都道府県、 encoding='cp932', skiprows=[1]）の実測と、 その実データから作った合成データ（架空・再現可能）の対比のみで構成しています。

🎨 直感：矢印を「逆向き」に回す

実データ分析は「観測データ → 真の生成過程を推定する」向きに進みます。 合成データはこの矢印を逆に回す営みです ── まず人間が数式・モデル（真の生成過程）を先に決め、 そこからデータを人工的に生成する。 だからこそ 真値が既知 のまま手法を採点でき（手法検証）、 個人を特定できない架空データを共有でき（プライバシー保護）、 少数クラスを水増しできます（データ拡張）。 一言でいえば合成データは「実データの統計的な影」であり、 実データそのものの代替ではありません。

⚠️ 落とし穴（重要）── 実測で崩れる「綺麗すぎる幻想」

最大の誤解は「合成データは実データより綺麗で扱いやすい」。 実際には、 生成モデルの仮定が実データの複雑さに合っていないと、 綺麗どころか破綻します。 SSDSE-B-2026 の実測で確かめましょう。 下表は実データ 47 件と、 そこから推定した平均ベクトル・共分散で 多変量正規分布から 470 件を生成した合成データ（架空, numpy seed=42） の対比です。

読み方： 平均・相関という低次の統計量は合成でもほぼ保たれます（相関 0.991 → 0.989）。 ところが多変量正規は値域を無視するため、 470 件中 72 件で負の人口という物理的にあり得ない値を生成しました。 高齢化率は「老年人口 ÷ 総人口」なので分母が負になると意味を失い、 標準偏差が 3.34% → 37.94% と爆発します。 「合成データは綺麗で楽観的」という思い込みが、 いかに危ういかの実測的証拠です（対処は本文の np.clip・対数変換・Copula/CTGAN 移行）。

🚀 発展：合成データの周辺地図

• モンテカルロ・シミュレーション：真値を固定し乱数だけ変えて何百回も生成 → 推定量のばらつき（標準誤差）や信頼区間の被覆率を実測する（本ページ「🎮 触って理解する」の「🎲 再生成」の反復がこれ）。
• 真値既知での手法検証：正解 $(\beta_0,\beta_1,\sigma)$ を知った状態で新手法が真値をどれだけ復元するか採点する。 交差検証や検出力分析の土台。
• 合成データ生成モデル：GAN（GAN）／VAE／SMOTE／拡散モデルなど。 分布サンプリング（多変量正規・Copula）から深層生成まで幅広い。
• 差分プライバシー：ε で「個人が居ても居なくても出力がほぼ変わらない」ことを保証しつつ合成する。 忠実度と再特定耐性のトレードオフを数学的に管理する（プライバシー）。
• データ拡張：既存データの分布を模して少数クラスを水増しし、 クラス不均衡を緩和する。 ただし分布外は作れない。
• ブートストラップとの違い：ブートストラップは「手元の実データから復元抽出」で新しい値を作らない（既存点の再標本化）。 合成データは「学習した分布から新しい値を生成」する。 情報量が増えないのは両者共通 ── n を増やしても真の母集団情報は元の n のまま。
• シミュレーション研究の設計：データ生成過程・要因・反復回数・評価指標を事前に決め、 再現性を担保する（seed・パラメータの記録）。

🔗 関連ページ

サイト内の関連用語（存在するページのみリンク）： 真の生成過程・ ブートストラップ・ GAN・ 生成 AI・ 拡散モデル・ プライバシー・ 実データ・ クラス不均衡・ 検出力分析・ 交差検証・ 再現性の危機・ 確率分布・ ノイズ・ 乱数。 未作成のためテキストのみ：データ拡張（Data Augmentation）／モンテカルロ法／VAE／差分プライバシー（Differential Privacy）／SMOTE。