合成データの作り方・使い方｜品質とプライバシーを検証する手順

合成データは、元データの構造や統計的な傾向を学んだ生成器から新しいレコードを作る方法ですが、作成しただけで匿名・安全・業務利用可能になるわけではありません。本稿では、問い合わせ管理データを想定し、テスト用途に必要な制約、有用性、漏えいリスクを別々に測る「合成データ用途別評価票」を作ります。

合成データの作り方・使い方は用途と元データ条件から決める

最初に決めるのは生成モデルではなく、合成データで何を確認するかです。画面入力の動作確認、負荷試験、分析手順の教育、機械学習の事前検討では、保つべき性質が異なります。画面テストなら型、必須、値域、参照整合性が重要です。需要予測の試行なら季節性や属性間の相関が必要です。用途を「AI学習」とだけ書くと、平均値は似ていても少数群が消えたデータを合格にしてしまいます。

元データの開始条件は、利用目的と入手経路が確認済み、列の意味と単位が定義済み、重複・欠損・外れ値の扱いが決定済み、作業環境が本番利用者から分離済み、データオーナーとプライバシー担当が指定済みであることです。

NIST SP 800-188は、非識別化の前に利用目的と公開モデルを検討し、合成データ、保護環境、問い合わせインターフェースなどの選択肢を比較する政府機関向けの指針です^[1]。米国政府機関向け文書なので、日本企業へ直接の法的義務を課すものではありませんが、公開方法を先に選ぶ考え方は実務に使えます。

初回は一用途に限定します。本稿の想定では「問い合わせ管理システムの受入テスト」を選び、予測モデルの学習や社外公開は対象外とします。元データは連続三か月、5万件以上などの量だけで決めず、問い合わせ種別、担当部署、未解決状態、添付有無の分布を確認します。少数カテゴリが五件しかないなら生成器が個別値を記憶する可能性と、統計的に学べない可能性を同時に検討し、その列を削るか一般化します。

完成形を五つの成果物で定義する

完成形はCSV一つではありません。元データを説明するデータカード、列型と表関係を持つメタデータ、絶対に破れない業務制約、用途別の有用性・プライバシー評価票、配布条件を記したリリースカードの五点が必要です。生成器本体も機密資産として扱います。学習済み生成器が元データの統計や一部パターンを保持する可能性があるため、合成結果だけを配る場合と同じ権限で外部へ渡しません。

完了判定は、制約違反0件、目的のテストケース網羅率95％以上、元データとの最近傍一致が設定基準内、機密列の生成結果混入0件、許可利用者だけが取得可能、利用先の受入試験合格とします。数値は想定例です。重要なのは、統計類似度だけで全項目を合格にしないことです。少数群の再現と個人への近さはトレードオフになることがあり、用途と公開範囲に応じて別々に判断します。

「元データとよく似ている」は品質の一面であると同時に、個別レコードを覚え過ぎている警告にもなります。類似度は高いほど無条件によい指標ではありません。

手順1：元データを分離して診断する

元データは、生成器の学習用70％、調整用15％、最終評価用15％などに分けます。時系列データでは無作為分割により未来情報が学習側へ入るため、期間で分けます。重複顧客や同一問い合わせの再送が複数区分へまたがると、評価が過大になるので、同じ主体または案件を一つの区分へまとめます。最終評価用データは生成器の選択や閾値調整に使わず、リリース判定まで封印します。

診断では、件数、欠損率、一意数、最小・最大、分位点、カテゴリ頻度、表間の孤立レコード、日付順序、禁止文字を出します。自由記述は、氏名、メール、電話、住所、顧客番号、秘密情報が混じる可能性を検査し、初回は削除または安全なテンプレートから別生成します。文章生成モデルへ生の問い合わせ本文を投入し、後で文字列置換する方法は、学習・ログ・出力のどこに値が残るか把握しにくいため避けます。

split_policy:
  grouping_key: customer_internal_id
  train_period: 2026-01-01..2026-03-31
  validation_period: 2026-04-01..2026-04-15
  final_test_period: 2026-04-16..2026-04-30
excluded_columns:
  - customer_name
  - email
  - phone_number
  - free_text
retained_columns:
  - inquiry_category
  - received_at
  - channel
  - resolution_status
  - handling_minutes

診断結果には元データの値を並べず、集計と違反件数を記録します。ただし、極端値の原因確認には限定アクセスが必要です。調査用の行IDを一時発行し、業務担当だけが原本へ戻れるようにします。診断が終わったら一時抽出を削除し、生成環境のアクセスログと件数を照合します。目的外の列が一つでも含まれていれば、そのまま生成へ進まず抽出条件を修正します。

手順2：業務制約と評価用データを作る

生成器は確率分布を学ぶため、業務上必須の規則を必ず守るとは限りません。問い合わせの受付日時は完了日時以前、未解決なら完了日時は空欄、チャネルが電話ならメール送信時刻は空欄、担当部署コードは部署マスターに存在する、といった制約を明示します。制約には重大度を付け、主キー重複や日付逆転は一件で不合格、分布差は用途に応じた許容幅で判断します。

SDVの公式ドキュメントは、制約を事前に定義して生成器へ与える考え方を示しています。参照時点の最新リリースはSDV v1.37.4で、2026年7月24日公開です^[3]。ここで挙げる実装例は製品推奨ではなく、確率モデルと決定的な業務ルールを分ける説明に使います。採用するライブラリは、対応する表関係、実行環境、ライセンス、保守、再現性を別途比較してください。

評価用データには、正常な制約だけでなく、境界値と例外も含めます。月末時刻、うるう日、最大処理時間、稀なカテゴリ、未解決から再開した案件を固定ケースにします。生成データ内に偶然現れるのを待たず、条件付き生成または安全な手作業テンプレートで補います。これにより「分布は似ているがテストしたい例外が一件もない」という失敗を防げます。

手順3：基準手法から生成を始める

最初から複雑な深層生成モデルを選ばず、独立分布、条件付き表、コピュラなど説明しやすい基準手法を用意します。基準手法で用途を満たせるなら、学習時間と漏えい評価の負担を抑えられます。複数表の場合は、親表を生成してから合成キーで子表を作り、実在IDを持ち越しません。参照用の部署マスターなど、存在する値をそのまま使う表は、合成対象ではなく固定参照表として扱います。

生成実行ごとに、元データ版、コード版、ライブラリ版、パラメータ、乱数シード、生成件数、実行者、開始・終了時刻を記録します。乱数シードだけでは、GPU、並列処理、依存ライブラリにより完全再現できない場合があります。再現性の確認は、同じ環境で再実行し、行の完全一致ではなく、制約結果と評価指標が許容差内に入るかで判定します。

generation_manifest:
  source_snapshot: inquiry-2026Q1-v3
  purpose: acceptance-test-only
  generator: baseline-copula
  library_version: 1.37.4
  code_revision: 8f4a2c1
  random_seed: 20260730
  requested_rows: 100000
  forbidden_exports:
    - trained_generator
    - source_statistics_by_rare_group
  expires_on: 2026-10-31

生成後は、まず構造診断を行い、列名、型、主キー、外部キー、必須値、制約を確認します。構造違反があれば、分布評価へ進みません。次に、元データの値と完全一致する行、長い文字列の一致、稀な属性組合せの一致を抽出します。一致が見つかった時点で直ちに漏えいと断定はできませんが、生成器の記憶、固定値、参照表、偶然一致のどれかを分類し、説明できない一致を残したまま配布しないことが大切です。

各方式は同じ元データ版と評価票で比較します。パラメータを何度も調整して最終評価データに合わせると、評価結果が楽観的になります。調整用データで候補を二方式まで絞り、最終評価は一回を原則にします。不合格なら、結果を保存して設計段階へ戻り、新しい最終評価区分を用意します。

手順4：用途に対する有用性を測る

有用性は、列単体、列間関係、業務結果の三層で測ります。列単体ではカテゴリ比率、平均、分位点、欠損率を比べます。列間では問い合わせ種別と担当部署、チャネルと処理時間などの関係を確認します。業務結果では、合成データを受入テストへ投入し、画面・API・集計が要求どおり動くかを見ます。SDV公式のData Quality文書も、単一列の分布と二列の傾向を評価しつつ、真の有用性は下流用途で試す必要があると説明しています^[4]。

カテゴリ分布差の想定式は、各カテゴリの割合差の絶対値を合計して2で割る全変動距離です。「0.5×Σ|p_real(c)−p_syn(c)|」で、0に近いほど分布が似ます。連続値は分位点ごとの相対誤差を使い、「|q_syn−q_real|÷max(|q_real|,小さな定数)」で測ります。

用途結果のテスト網羅率は「合成データで実行できた必須テスト数÷必須テスト総数×100」です。平均だけが近くても、上位1％の長時間案件が消えていれば負荷試験には使えません。

想定総合有用性は「カテゴリ評価×0.20＋連続値評価×0.20＋関係評価×0.20＋テスト網羅率×0.25＋不具合再現率×0.15」とします。重みは受入テスト用途に合わせた例であり、予測学習へ流用しません。予測用途なら、実データだけで学習した基準モデルと、合成データを追加したモデルを、封印した実データ評価セットで比較し、全体性能だけでなく重要群の差も測ります。

難例の網羅は、合成行の総数ではなく、必須条件ごとの充足で確認します。架空の受入試験で「月末・未解決・電話受付・処理時間99分位超」の四条件を組み合わせたケースが必要なら、その組合せを少なくとも一件生成し、期待する画面表示とAPI応答まで照合します。

10万行あっても該当ケースが0件なら、網羅率の分子へ入れません。条件付き生成で補った行には生成方法を記録し、自然発生した分布の証拠と混同しないようにします。利用先で不具合を再現できなければ、分布スコアが合格でも受入テスト用途では不採用です。

手順5：記憶と再識別のリスクを測る

プライバシー評価では、実レコードへの近さ、稀な組合せ、生成器への攻撃耐性を確認します。単純な行完全一致率は「元データと全列一致した合成行数÷合成行数×100」です。最近傍距離は数値を標準化し、カテゴリを一致・不一致へ変換して、合成行から最も近い実行までを測ります。元データ内の実行同士の距離より、合成行と実行の距離が極端に小さい場合は、複製または記憶を疑います。

NIST SP 800-226は、差分プライバシーの保証を評価する指針で、差分プライバシーを満たさない合成データは一般に形式的な保証を持たず、将来の攻撃を含むすべてのプライバシー攻撃への頑健性を主張できないと説明します^[2]。差分プライバシーを採用する場合も、epsilonの値だけで安全性を判断せず、隣接関係、寄与上限、合成前処理、複数公開によるプライバシー損失の合成、実装監査を確認します。

プライバシー総合点を有用性と平均して合格にしません。完全一致、機密文字列、禁止列の混入、未承認のプライバシー予算超過は一件で停止です。攻撃テストに合格しても「匿名加工情報」など法令上の区分へ自動的に該当するわけではありません。評価者は生成担当と分け、元データへアクセスできる安全な環境内で検査し、外部へ出すのは集計済み結果だけにします。

権限・契約・法的適用範囲を確認する

権限は、元データ閲覧、生成実行、生成器取得、合成結果閲覧、社外配布、評価結果承認に分けます。開発者が合成結果を使えることと、元データや学習済み生成器へ触れられることは同義ではありません。生成サービスを外部クラウドで動かす場合、送信列、保存期間、学習利用、再委託、国外移転、削除方法、障害時の通知を契約と仕様で確認します。結果ファイルには機密区分、許可用途、期限、版を埋め込み、コピー先でも条件を確認できるようにします。

日本の個人情報保護法上、「合成データ」という名称の独立した法定区分があるわけではありません。元データとの関係や他の情報との照合可能性などにより、個人情報等への該当性を個別に判断します。個人情報保護委員会の仮名加工情報・匿名加工情報編ガイドラインは令和8年4月一部改正版が現行で、匿名加工情報は所定の加工基準や識別行為禁止などを伴う制度として説明されています^[5]。統計的に生成したという技術説明だけで、この区分を名乗らないことが重要です。

経済産業省・総務省のAI事業者ガイドライン第1.2版は、AIの開発、提供、利用に関わる主体がリスクを継続管理するための最新の政府指針です^[6]。本稿では生成目的、残余リスク、利用者、見直しを明示する参考に使いますが、同ガイドラインへの対応だけで個人情報、著作権、営業秘密、業法上の全要件を満たすとは扱いません。医療、金融、人事評価、信用判断など高影響用途は、一般テスト用の手順から分けて専門部署へ引き継ぎます。

配布範囲を決め、利用先で検収する

配布は、安全性が高いという抽象評価ではなく、用途と利用者ごとに許可します。受入テスト用データを分析研修へ回す、社内限定を委託先へ送る、合成結果からさらにモデルを学習する行為は別用途です。リリースカードへ「許可：検証環境での画面・APIテスト」「禁止：顧客分析、本人への連絡、社外公開、再配布」「期限：2026年10月31日」のように書きます。データベース名にもsyntheticと版を入れ、本番接続先と見分けられるようにします。

利用先の検収では、10万件の投入、主要20画面、API 35本、既知不具合20件など、実際の試験単位で確認します。データ品質スコアが高くても、添付ファイル、長文、並行更新、エラー状態が再現できなければ受入用途には不足です。逆に、統計分布が多少違っても、境界値と関係制約を十分に覆うデータの方が画面テストでは有用な場合があります。用途別評価が必要な理由です。

合格後も、利用者から不足ケースと異常な値を収集します。元データに戻って個別事例を追加するのではなく、制約または安全な生成ルールとして反映します。利用先が見つけた不具合のうち、合成データが原因で再現できなかったものを記録し、次版の有用性評価へ追加します。配布件数と保存先を台帳で追い、期限到来時に結果とバックアップを削除できる状態を維持します。

更新・停止・廃棄の条件を先に置く

再生成の条件は、元スキーマ変更、カテゴリ追加、業務制約改定、利用目的変更、生成ライブラリ更新、評価攻撃の追加、元データ分布の変化です。月次で元データの主要分布を監視し、カテゴリの全変動距離が0.10を超える、99分位の処理時間が20％以上変わる、新カテゴリが全体の3％以上になるなどの想定基準で再評価します。軽微な変化を毎回取り込むと版が増えるため、利用先の必要性と合わせて判断します。

即時停止は、実在IDとの一致、機密文字列の出力、禁止列の混入、権限外配布、生成器の外部流出、未承認用途での利用を検知した場合です。限定停止は、有用性基準未達、制約違反、ライブラリの重大更新、元データの偏り変化です。停止時には配布先へ版を通知し、ダウンロードを閉じ、保存済みコピーの削除または隔離を確認します。問題のある版を元に作った派生データやモデルも影響対象へ含めます。

再開には、原因分類、生成条件の修正、最終評価用データの入れ替え、独立したプライバシー再評価、利用先の再検収が必要です。同じ評価セットへ何度も適合させた版は過学習の疑いがあるため、新しい難例を含むセットで確認します。廃棄時は、合成結果、生成器、一時元データ、診断出力、キャッシュを分けて処理し、監査に必要な評価票と承認記録だけを定めた期間保存します。

版の互換性も更新判定へ含めます。利用先のテストコードが列名やカテゴリを固定している場合、新しい合成版だけを渡すと、データ品質ではなくインターフェース変更で試験が止まります。旧版と新版のスキーマ差、カテゴリ差、制約差を機械比較し、破壊的変更には移行期間を置きます。期限を過ぎた旧版は取得権限を閉じ、利用先が新版へ移行した件数を確認してからバックアップを廃棄します。

四半期ごとに一つの生成版を選び、マニフェストから同じ件数を再生成します。制約結果、主要分布、プライバシー検査が承認済みの許容差へ収まるかを確認し、依存パッケージや実行環境の変化で再現不能になった版は再利用対象から外します。

生成コストの急増も限定停止の対象です。1万行当たりの学習時間、生成時間、失敗再試行数、廃棄行率を版ごとに測り、廃棄行率が20％を超えるなど想定値から外れたら、制約同士の競合や元分布の変化を調べます。費用低減のために評価件数やプライバシー検査を省くのではなく、用途を狭めるか説明しやすい基準手法へ戻します。

この方法が向かないケース

一件ごとの事実を正確に再現する必要がある監査・本人対応、極端に小さい母集団、正解の少数事例を失えない安全評価、元データの利用権限が不明な案件には、合成データを代替として使えません。安全な保護環境で実データを限定利用する方法、集計値だけを提供する方法、差分プライバシーを含む別の公開方式を比較してください。

次に行う作業は、問い合わせ管理の受入テストという一用途を選び、元データから自由記述と実在識別子を除外したうえで、制約六件と固定テスト20件を記入することです。生成を始める前に、有用性の式、即時停止項目、配布役割、期限を評価票へ固定します。この順序なら、見栄えのよい合成データができた後で安全基準を緩める判断を避けられます。

参考文献・出典

1. NIST「De-Identifying Government Datasets: Techniques and Governance」（NIST SP 800-188、2023年9月14日発行、ページ更新2024年11月18日、2026年7月30日参照）。合成データの作り方・使い方で非識別化の評価と統治を確認する公的な一次資料。
2. NIST「Guidelines for Evaluating Differential Privacy Guarantees」（NIST SP 800-226、2025年3月6日発行、ページ更新2025年8月29日、2026年7月30日参照）
3. Synthetic Data Vault「SDV Releases」（最新v1.37.4、2026年7月24日公開、2026年7月30日参照）
4. Synthetic Data Vault「Data Quality」（版番号表示なし、2026年7月30日参照。利用時は導入版のAPI文書を固定すること）
5. 個人情報保護委員会「個人情報の保護に関する法律についてのガイドライン（仮名加工情報・匿名加工情報編）」（令和8年4月一部改正、2026年7月30日参照）
6. 経済産業省・総務省「AI事業者ガイドライン」（第1.2版、2026年3月31日公表、掲載ページ最終更新2026年4月1日、2026年7月30日参照）