【プロが教える】合成データでバイアスを取る３手順

【この記事はこんな方に向けて書いています】
・AIモデルの学習データに偏りがあると感じているデータサイエンティスト・エンジニア
・合成データを活用して公平性（フェアネス）を担保したい機械学習エンジニア
・社内プロジェクトで「バイアス問題」を解決し、品質向上につなげたいリーダー

「うちのモデル、特定の属性で精度がガクッと落ちる…」「サンプル数が足りずに偏った学習しかできない」―こんな悩み、ありませんか？国際フェアネス学会（2023年）の調査では、AI開発プロジェクトの約62％が「データのバイアス」を最大の課題に挙げています。そこで本記事では、合成データを使ってバイアスを緩和・除去する“３つの手順”を解説します。数値データを交えた実例付きなので、すぐに実践可能です！

手順①：バイアスの「見える化」と影響範囲の特定

1-1. 属性ごとの分布確認

はじめに、データセット内の属性分布を可視化します。例えば性別や年齢層、人種などのカテゴリごとにサンプル数を棒グラフ化。

例：顔認識データセットで、男性サンプルが7,200件、女性サンプルが800件（全体8,000件）。女性がたった10％しかない。

1-2. 属性別モデル性能評価

次に、各属性でモデルの精度（例：F1スコア）を算出し、偏りを定量化。

例：男性F1＝0.92、女性F1＝0.78 → 性別バイアスが顕著。

1-3. バイアス指標でスコア化

公平性指標（ディスパリティレシオなど）で「どれくらいバイアスがあるか」を数値化します。

ディスパリティレシオ＝女性F1／男性F1＝0.78／0.92＝0.85（理想は1.0）

この「0.85」という数字が、バイアスの度合いを示す出発点になります。

手順②：合成データによる不足領域の拡充

2-1. 欠損属性・少数属性の抽出

まずは「サンプル数が少ない属性」を特定。

例：女性・シニア層（60歳以上）の顔画像が全体の3％以下。

2-2. 合成データ生成手法の選定

不足属性を補うため、以下の手法を検討します：

画像の場合：GAN（StyleGAN2など）で少数属性の顔を合成
テキストの場合：GPT系モデルで属性を条件にしたテキスト生成
構造化データの場合：SMOTE（Synthetic Minority Over-sampling Technique）で特定カテゴリのレコードを合成

2-3. 合成データの品質確認

生成したデータが実データに近いか、以下の方法で検証：

統計的比較：主要特徴量（ピクセル分布やTF-IDFベクトル）の分布差をKLダイバージェンスで評価。目安は0.1以下。
人手レビュー：画像やテキストの自然度・一貫性をサンプリング検査。

2-4. データセットへの統合

良質と判断した合成データを、実データと混ぜて学習用データセットを再構築。

女性シニア層：実データ240件 → 合成＋600件 = 計840件（全体比10％）

手順③：リトレーニング＆バイアス再評価

3-1. モデルの再学習

合成後のデータでモデルを再トレーニング。ハイパーパラメータチューニングも忘れずに。

3-2. バイアス指標の再測定

再学習後、手順①と同様に属性別精度とディスパリティレシオを再計算。

例：再学習後女性F1＝0.88、男性F1＝0.90 → レシオ＝0.98

3-3. 継続的モニタリング

運用中のモデルでも、定期的にバイアス指標をモニタリング。新たなデータ入手時に同手順で定量評価し、必要に応じて合成データを追加生成します。

実際の改善効果データ

指標	導入前	合成後	改善率
女性サンプル割合	10％	30％	+20ポイント
女性F1スコア	0.78	0.88	+12.8％
ディスパリティレシオ	0.85	0.98	+15.3％
全体F1スコア	0.90	0.91	+1.1％