1.2標準
少数事例を補うため合成データを作る。
学習への利用リスクを管理する。
確認として適切なものを2つ選べ。
× 不正解
合成データは分布・重複・漏洩・保護属性・再識別リスクを確認し、実データの検証セットで性能・公平性・プライバシーを評価する。
詳細解説
正しい合成データの分布・境界例・重複・漏洩・保護属性の表現を実データと比較する
品質と偏りを確認できる。
品質と偏りを確認できる。
問題の要件では、合成データの分布・境界例・重複・漏洩・保護属性の表現を実データと比較するが解決する範囲と、別の工程が担う範囲を分けて判断する。
正しい合成データだけでなく実データの検証セットで性能・公平性・プライバシーを評価する
現実への一般化を測れる。
現実への一般化を測れる。
問題の要件では、合成データだけでなく実データの検証セットで性能・公平性・プライバシーを評価するが解決する範囲と、別の工程が担う範囲を分けて判断する。
誤り合成データは人工なので必ず匿名であり、検証は不要である
再識別や偏りがあり得る。
再識別や偏りがあり得る。
問題の要件では、合成データは人工なので必ず匿名であり、検証は不要であるが解決する範囲と、別の工程が担う範囲を分けて判断する。
誤り合成データをテストと訓練へ無制限に重複利用する
評価が楽観的になる。
評価が楽観的になる。
問題の要件では、合成データをテストと訓練へ無制限に重複利用するが解決する範囲と、別の工程が担う範囲を分けて判断する。
実際に確かめる
一時的な検証環境で実行できる例です。
AWS公式AIF-C01 Domain 1.2の合成データ、品質、公平性、プライバシーを確認する。期待される結果
合成データを無条件に信頼せず、現実データで有効性とリスクを確認できる。理解のポイント
- 合成データ
- 再識別
- 検証
確認時の注意
- 確認環境: AWS公式AIF-C01試験ガイドとAWS公式ドキュメントの確認
- AWS公式ドキュメントで、対象サービスが提供する機能と前提条件を確認する。
- モデル、データ、アプリケーション、利用者の責任分界を混同しない。
基礎のおさらい
合成データ
ルールやモデルで生成した、現実データに似せたデータ。
再識別リスク
匿名化したデータから個人を推定できる可能性。
問題IDAWS-AIF-453
確認環境AWS公式AIF-C01試験ガイドとAWS公式ドキュメントの確認
最終技術確認2026-08-20
誤り・権利侵害を報告