合成データとは? 機械学習とプライバシーのタイプ、ユースケース、およびアプリケーション

データ サイエンスと機械学習の分野は日々成長しています。 新しいモデルやアルゴリズムが時間の経過とともに提案されるため、これらの新しいアルゴリズムやモデルにはトレーニングとテストのために膨大なデータが必要になります。 ディープラーニング モデルは現在非常に人気が高まっていますが、これらのモデルは大量のデータを必要とします。 さまざまな問題ステートメントのコンテキストでこのような大量のデータを取得することは、非常に厄介で、時間と費用がかかるプロセスです。 データは現実のシナリオから収集されているため、セキュリティ上の責任とプライバシーの懸念が生じます。 データのほとんどはプライベートであり、プライバシー法や規制によって保護されているため、組織間、場合によっては単一組織内の異なる部門間でのデータの共有と移動が妨げられ、その結果、製品の実験やテストが遅れます。 そこで、この問題をどのように解決できるのかという疑問が生じます。 誰かのプライバシーに関する懸念を引き起こすことなく、データをよりアクセスしやすくオープンにするにはどうすればよいでしょうか?  

この問題の解決策は、次のように知られています。 合成データ。 

では、合成データとは何でしょうか?

定義上、合成データは人工的またはアルゴリズムによって生成され、実際のデータの基礎となる構造とプロパティによく似ています。 合成されたデータが良好であれば、実際のデータと区別できません。

合成データには何種類ありますか?

データにはさまざまな形式があるため、この質問に対する答えは非常に自由ですが、主に次のことが考えられます。 

1. テキストデータ
2. オーディオまたはビジュアル データ (たとえば、 画像、ビデオ、オーディオ)
3. 表形式のデータ

機械学習のための合成データの使用例

前述したように、ここでは XNUMX 種類の合成データのみの使用例についてのみ説明します。

• NLP モデルのトレーニングのための合成テキスト データの使用

合成データは、自然言語処理の分野で応用されています。 たとえば、Amazon の Alexa AI チームは、合成データを使用して、NLU システム (自然言語理解) のトレーニング セットを完成させています。 これにより、既存の、または十分な消費者対話データがなくても、新しい言語をトレーニングするための強固な基盤が提供されます。

• 視覚アルゴリズムのトレーニングに合成データを使用する

   ここでは、広範な使用例について説明します。 画像内の顔の数を検出またはカウントするアルゴリズムを開発したいとします。 GAN またはその他の生成ネットワークを使用して、現実的な人間の顔、つまり現実世界には存在しない顔を生成し、モデルをトレーニングできます。 もう XNUMX つの利点は、誰のプライバシーも侵害することなく、これらのアルゴリズムから必要なだけのデータを生成できることです。 ただし、実際のデータには個人の顔が含まれているため使用できません。そのため、一部のプライバシー ポリシーによってそのデータの使用が制限されています。

別の使用例は、シミュレートされた環境で強化学習を行うことです。 物体を掴んで箱に入れるように設計されたロボット アームをテストしたいとします。 強化学習アルゴリズムはこの目的のために設計されています。 これが強化学習アルゴリズムの学習方法であるため、それをテストするために実験を行う必要があります。 現実のシナリオで実験をセットアップするには、かなりの費用と時間がかかり、実行できるさまざまな実験の数が制限されます。 しかし、シミュレートされた環境で実験を行う場合、ロボット アームのプロトタイプが必要ないため、実験のセットアップは比較的安価になります。

• 表形式データの使用

表形式の合成データは、表に格納されている現実世界のデータを模倣して人工的に生成されたデータです。 このデータは行と列で構造化されています。 これらのテーブルには、音楽プレイリストなどのあらゆるデータを含めることができます。 音楽プレーヤーは、曲ごとに、名前、歌手、長さ、ジャンルなどの大量の情報を保持します。 銀行取引や株価などの財務記録である場合もあります。

銀行取引に関連する合成表データは、不正取引を検出するためのモデルのトレーニングとアルゴリズムの設計に使用されます。 過去の株価データは、将来の株価を予測するモデルのトレーニングとテストに使用できます。

機械学習で合成データを使用する大きな利点の XNUMX つは、開発者がデータを制御できることです。 アイデアをテストする必要に応じてデータを変更し、それを実験することができます。 一方、開発者は合成データでモデルをテストでき、モデルが実際のデータでどのように動作するかについて非常に明確なアイデアが得られます。 開発者がモデルを試して実際のデータを待つ場合、データの取得には数週間、場合によっては数か月かかることがあります。 したがって、技術の開発と革新が遅れます。

ここで、合成データがデータ プライバシーに関連する問題の解決にどのように役立つかを説明する準備が整いました。

多くの業界は、イノベーションや開発のために顧客が生成したデータに依存していますが、そのデータには個人を特定できる情報 (PII) が含まれており、プライバシー法はそのようなデータの処理を厳しく規制しています。 たとえば、一般データ保護規則 (GDPR) は、組織がデータを収集したときに明示的に同意されていない使用を禁止しています。合成データは実際のデータの基礎となる構造に非常によく似ているため、同時に、実際のデータに存在する個人が合成データから再識別されることはありません。 その結果、合成データの処理と共有における規制が大幅に減り、開発とイノベーションが迅速化され、データへのアクセスが容易になります。

まとめ

合成データには多くの重要な利点があります。 これにより、ML 開発者は実験を制御できるようになり、データへのアクセスが容易になるため、開発速度が向上します。 データは自由に共有できるため、より大規模なコラボレーションが促進されます。 さらに、合成データは、実際のデータから個人のプライバシーを保護することを保証します。

<!–

–>