# Synthetic Data編 CURRENT_STATUS: UNKNOWN OBSERVATION: SPEC_ONLY FRESHNESS: UNKNOWN PAGE_TYPE: reference CANONICAL_URL: /tools/ea-080-synthetic-data CLAIM_IDS: none EVIDENCE_IDS: EVD-EA-080-URL-95F8EBF0F0DF, EVD-EA-080-URL-D316DBE7B2D1, EVD-EA-080-URL-86E4468D1454, EVD-EA-080-URL-B778EC39D8DB, EVD-EA-080-URL-B6DAB093A0B5, EVD-EA-080-URL-B6D243A55F78, EA-080-R11-RESEARCH, EA-080-R11-WEB-READBACK UNKNOWN_IDS: EA-080-UNKNOWN-01, EA-080-UNKNOWN-CURRENTNESS OPS_IDS: none ## Summary 「Synthetic dataは実データへの直接アクセスを減らし、開発・試験・共有の選択肢を増やせる。ただし“synthetic”という生成由来だけでは匿名性やprivacyを保証しない。Enterprise運用では、生成器・source cohort・privacy mechanismをversion固定し、utility、downstream validity、privacy attack、fairnessを独立評価してrelease gateを通す。Differential Privacyを使う場合は、epsilon/delta等の保証条件とaccountingをartifact provenanceとして保持する。」 ## Current judgment 1. Synthetic dataは「元データを別の値へ置換したもの」という一種類ではない。statistical/tabular generator、simulation、rule-based generator、foundation-model/LLM generation、DP mechanismを伴う生成など、生成経路と保証が異なる。したがってartifactへ generator class/version/config とsource cohortを残す必要がある。 2. DPはprivacy budgetとmechanismを明示した場合に形式的なprivacy guaranteeを論じられるが、「synthetic」というラベルだけではDP保証にならない。DP使用時もepsilon/delta、adjacency notion、composition、clipping/bounds、randomness、accounting、implementationを記録対象とする。 3. privacyとutilityは別軸である。distributional similarityが高いほど安全とは限らず、privacy riskが低くてもdownstream taskで使えるとは限らない。単一synthetic-quality scoreでrelease判断しない。 4. downstream validityも独立軸である。synthetic上で得たモデル順位・fairness・rare-event performance・calibrationがreal holdoutへ移るかは、real holdoutを使った外部検証なしには確定できない。 5. LLM/text generationでは、verbatim/near-verbatim reproduction、PII/secret reconstruction、membership/attribute inferenceを別failure surfaceとする。promptで「匿名化して」と命令しただけではprivacy mechanismの証明にならない。 6. rare group/rare eventは二重の問題を持つ。過度に平滑化すればutility/fairnessを失い、忠実に再現しすぎればunique/rare recordのprivacy riskを高め得る。minority preservationとprivacy riskを同時監査する。 ## Scope Enterprise AI Core / governance / privacy / benchmark-evaluation / implementation / interoperability / non-LLM component。Provider固有のsynthetic-data productはprovider mappingへ分離する。 ## Confirmed - Synthetic dataは「元データを別の値へ置換したもの」という一種類ではない。statistical/tabular generator、simulation、rule-based generator、foundation-model/LLM generation、DP mechanismを伴う生成など、生成経路と保証が異なる。したがってartifactへ generator class/version/config とsource cohortを残す必要がある。 - DPはprivacy budgetとmechanismを明示した場合に形式的なprivacy guaranteeを論じられるが、「synthetic」というラベルだけではDP保証にならない。DP使用時もepsilon/delta、adjacency notion、composition、clipping/bounds、randomness、accounting、implementationを記録対象とする。 - privacyとutilityは別軸である。distributional similarityが高いほど安全とは限らず、privacy riskが低くてもdownstream taskで使えるとは限らない。単一synthetic-quality scoreでrelease判断しない。 - downstream validityも独立軸である。synthetic上で得たモデル順位・fairness・rare-event performance・calibrationがreal holdoutへ移るかは、real holdoutを使った外部検証なしには確定できない。 - LLM/text generationでは、verbatim/near-verbatim reproduction、PII/secret reconstruction、membership/attribute inferenceを別failure surfaceとする。promptで「匿名化して」と命令しただけではprivacy mechanismの証明にならない。 - rare group/rare eventは二重の問題を持つ。過度に平滑化すればutility/fairnessを失い、忠実に再現しすぎればunique/rare recordのprivacy riskを高め得る。minority preservationとprivacy riskを同時監査する。 ## UNKNOWN - EA-080-UNKNOWN-01: - 2026-09-16時点の主要commercial synthetic-data provider各社について、plan/region/data-residency/training-retention/API revisionを横断固定していない。 - SDV current exact release/tag/commitは将来update workで再pinする。 - Text/LLM synthetic dataに対するattack suiteの標準化は成熟途上で、単一suiteを十分条件とはできない。 - EA-080-UNKNOWN-CURRENTNESS: 外部根拠の再確認日がcanonical body/control-planeで確定していないため、currentnessはUNKNOWNとして保持する。日付を推測補完しない。 ## Evidence - EVD-EA-080-URL-95F8EBF0F0DF (RESEARCH): | official guidance | Guidelines for Evaluating Differential Privacy Guarantees / NIST | — https://www.nist.gov/publications/guidelines-evaluating-differential-privacy-guarantees - EVD-EA-080-URL-D316DBE7B2D1 (RESEARCH): | official project | Differential Privacy / NIST Privacy Engineering Collaboration Space | — https://csrc.nist.gov/projects/privacy-engineering/collaboration-space/focus-areas/de-id/tools - EVD-EA-080-URL-86E4468D1454 (RESEARCH): | author-maintained OSS | Synthetic Data Vault (SDV) / DataCebo | — https://github.com/sdv-dev/SDV - EVD-EA-080-URL-B778EC39D8DB (RESEARCH): | primary/benchmark research | Anonymeter: Anonymity and Privacy Risk Metrics for Relational Data / Giomi et al. | — https://arxiv.org/abs/2211.10459 - EVD-EA-080-URL-B6DAB093A0B5 (RESEARCH): | research | Really Useful Synthetic Data — A Framework To Evaluate The Quality Of Differentially Private Synthetic Data / Garrido et al. | — https://arxiv.org/abs/2306.05657 - EVD-EA-080-URL-B6D243A55F78 (RESEARCH): | research | Membership Inference Attacks Against Language Models Via Neighbourhood Comparison / Mattern et al. | — https://arxiv.org/abs/2305.18462 - EA-080-R11-RESEARCH (RESEARCH): EA-080 監査済みresearch / canonical revision binding - EA-080-R11-WEB-READBACK (IMPL): EA-080 Web body identity / canonical readback ## Failure / limits Synthetic ≠ anonymous ≠ DP。 ## Failure / limits DP ≠ zero privacy risk。保証は定義したneighboring relation・mechanism・budget・implementationに依存する。 ## Failure / limits High statistical fidelity ≠ safe release。 ## Failure / limits Low attack success on one attack suite ≠ universal privacy proof。attacker knowledge/threat modelが変われば結果も変わる。 ## Failure / limits Synthetic-trained modelの良好なsynthetic validation ≠ real-world performance。real holdoutでの外部妥当性が必要。 ## Failure / limits Aggregate distribution一致はrare subgroup、tail、causal relation、longitudinal dependency、referential integrityの保存を保証しない。 ## Failure / limits OSS benchmark/metricの結果を全dataset・全generatorへ一般化しない。 ## Failure / limits Core採用判断に必要な概念分離、formal privacy boundary、implementation contract、utility/privacy/fairness/downstream evaluation、failure envelope、後続provider再確認項目まで揃ったためEA-080のbounded packetを閉じる。同一source version+claim relationは再採集せず、将来はcurrent provider/versionまたは新しいprivacy attack/standard差分のみ更新する。 --- ## Practice source data classification / legal basis / purpose limitation ## Practice generator type / version / configuration / seed ## Practice DP有無。DPならepsilon/delta、accountant、composition、bounds/clipping、neighbor definition ## Practice structured/tabular/text/image/time-series等のmodality ## Practice relational integrity / longitudinal identity requirement ## Practice tenant/region/data residency、training retention、logging ## Practice release audience（internal dev / vendor / public）とattacker capability ## Practice real holdoutを評価専用に保持できるか ## Practice 実装可能。Enterprise実装は generator と release gate を分離する。推奨pipelineは `classified source → bounded cohort → generator/versioned config → synthetic artifact → utility/fidelity eval → privacy attack eval → policy release gate → downstream real-holdout validation`。LLMはgenerator候補の一つに過ぎず、privacy evaluatorやrelease authorityを兼任させない。 ## Practice 後続TEST_PROFILE: ## Practice fixtures: balanced tabular / rare subgroup / high-cardinality categorical / correlated quasi-identifiers / longitudinal / relational / free-text with seeded canary PII ## Practice utility: univariate/multivariate distance、correlation/association、constraint validity、referential integrity、TSTR/TRTS（Train Synthetic Test Real / Train Real Test Synthetic）、real-holdout task metric、calibration ## Practice privacy: exact/near duplicate rate、nearest-neighbor distance、singling-out、linkability、inference、membership inference、canary extraction、PII/secret scanner ## Practice fairness: subgroup utility、error parity、rare-group preservation ## Practice DP: epsilon/delta/accounting validation、repeat-run budget composition ## Practice operability: generation latency、cost/record、reproducibility、audit completeness 評価結果はprivacy/utility/fairness/operabilityを別列で保持し、加重平均一個へ圧縮しない。 ## Practice raw sourceへのアクセス制御とsynthetic artifactのrelease classificationを別管理する。synthetic artifactを自動的にpublic扱いしない。canary/secret seeded testは実秘密情報を使わずsynthetic fixtureで行う。 AUDIT: source dataset ID/hash、cohort query、schema、generator/version/hash、config/seed、DP parameters、evaluation suite/version、attack assumptions、release decision、approverを保存。 ## Practice Core候補名: `SYNTHETIC DATA RELEASE CONTRACT` ## Practice 必須field候補: source dataset ID/hash; source classification; cohort query; schema/version; modality; generator class/product/model/version/hash; config/seed; training cutoff; DP mechanism; epsilon/delta; accountant/composition; constraints; artifact hash; fidelity metrics; downstream real-holdout metrics; privacy attack suite/version/results; subgroup metrics; PII/canary scan; release audience; retention; approver; provenance. ## Practice provider mapping時はcommercial synthetic-data productsのcurrent plan/region/retention/training-use/APIを再確認する。 ## Practice EA-076 Time-series/Sensor AIとはlongitudinal synthetic telemetryで接続するが、時系列予測品質とprivacy release判断を混同しない。 ## Practice NIST SP 800-226 privacy-evaluation guidance remains distinct from synthetic generation, de-identification and attack-based evaluation. ## WHY_THIS_MATTERS_TO_UPDATE 生成AI・分析AIの開発では、実データを直接複製せずに開発・評価・共有用データを作る要求が増える。一方、synthetic dataは「人工生成だから匿名」とは限らず、utility・fidelity・privacy leakage・rare-case preservation・downstream validityを別々に検証する必要がある。Enterprise AI Coreでは、生成器そのものよりも、source cohort→generator→privacy mechanism→release artifact→downstream evaluationのprovenanceとrelease gateを定義する価値が高い。 ## SCOPE_ROUTING Enterprise AI Core / governance / privacy / benchmark-evaluation / implementation / interoperability / non-LLM component。Provider固有のsynthetic-data productはprovider mappingへ分離する。 ## CLAIM_OR_RESEARCH_QUESTION 1. Synthetic dataは実データの単純な匿名化・マスキングと同義ではないか。 2. Differential Privacy (DP) を用いる場合、どの保証を形式化でき、何を保証できないか。 3. Utility/fidelityとprivacyを同一スコアへ潰さず、release前にどの軸を独立評価すべきか。 4. LLMでtabular/text synthetic dataを作る場合も、memorization・membership/attribute inference・rare-record leakageを独立failure surfaceとして扱うべきか。 ## EVIDENCE TABLE | source class | exact title / author-org | canonical URL | publication/update/access | version/release | supporting locator / claim | evidence label | relation | |---|---|---|---|---|---|---|---| | official guidance | Guidelines for Evaluating Differential Privacy Guarantees / NIST | https://www.nist.gov/publications/guidelines-evaluating-differential-privacy-guarantees | published 2025-03-19; accessed 2026-09-16 | NIST SP 800-226 | DPを評価するためのprivacy guarantee・threat model・parameter/implementation評価の枠組み | VERIFIED_SPEC / SOURCE_REPORT | support/context | | official project | Differential Privacy / NIST Privacy Engineering Collaboration Space | https://csrc.nist.gov/projects/privacy-engineering/collaboration-space/focus-areas/de-id/tools | accessed 2026-09-16 | current page | de-identification/privacy engineering tool landscape。単なる識別子除去とformal privacy guaranteeを混同しない背景 | SOURCE_REPORT | context/limit | | author-maintained OSS | Synthetic Data Vault (SDV) / DataCebo | https://github.com/sdv-dev/SDV | accessed 2026-09-16 | current upstream; exact release to be re-pinned at update work | tabular synthetic data generation、metadata/modeling/evaluation ecosystemが実装として存在 | OSS_PRACTICE / PRODUCT_VOLATILE | support | | primary/benchmark research | Anonymeter: Anonymity and Privacy Risk Metrics for Relational Data / Giomi et al. | https://arxiv.org/abs/2211.10459 | 2022; accessed 2026-09-16 | paper | singling-out/linkability/inference等の攻撃ベースprivacy risk評価を提案 | RESEARCH | support/limit | | research | Really Useful Synthetic Data — A Framework To Evaluate The Quality Of Differentially Private Synthetic Data / Garrido et al. | https://arxiv.org/abs/2306.05657 | 2023; accessed 2026-09-16 | paper | DP synthetic dataをutility/fidelity/privacy等の複数軸で評価する必要性 | RESEARCH | support | | research | Membership Inference Attacks Against Language Models Via Neighbourhood Comparison / Mattern et al. | https://arxiv.org/abs/2305.18462 | 2023; accessed 2026-09-16 | paper | language-model output/model accessに対するmembership inference riskの実証経路。LLM生成だからsource membership riskが自動消滅するわけではない | RESEARCH | counter/limit | ## FINDINGS 1. Synthetic dataは「元データを別の値へ置換したもの」という一種類ではない。statistical/tabular generator、simulation、rule-based generator、foundation-model/LLM generation、DP mechanismを伴う生成など、生成経路と保証が異なる。したがってartifactへ generator class/version/config とsource cohortを残す必要がある。 2. DPはprivacy budgetとmechanismを明示した場合に形式的なprivacy guaranteeを論じられるが、「synthetic」というラベルだけではDP保証にならない。DP使用時もepsilon/delta、adjacency notion、composition、clipping/bounds、randomness、accounting、implementationを記録対象とする。 3. privacyとutilityは別軸である。distributional similarityが高いほど安全とは限らず、privacy riskが低くてもdownstream taskで使えるとは限らない。単一synthetic-quality scoreでrelease判断しない。 4. downstream validityも独立軸である。synthetic上で得たモデル順位・fairness・rare-event performance・calibrationがreal holdoutへ移るかは、real holdoutを使った外部検証なしには確定できない。 5. LLM/text generationでは、verbatim/near-verbatim reproduction、PII/secret reconstruction、membership/attribute inferenceを別failure surfaceとする。promptで「匿名化して」と命令しただけではprivacy mechanismの証明にならない。 6. rare group/rare eventは二重の問題を持つ。過度に平滑化すればutility/fairnessを失い、忠実に再現しすぎればunique/rare recordのprivacy riskを高め得る。minority preservationとprivacy riskを同時監査する。 ## LIMITS / COUNTEREVIDENCE / FAILURE ENVELOPE - Synthetic ≠ anonymous ≠ DP。 - DP ≠ zero privacy risk。保証は定義したneighboring relation・mechanism・budget・implementationに依存する。 - High statistical fidelity ≠ safe release。 - Low attack success on one attack suite ≠ universal privacy proof。attacker knowledge/threat modelが変われば結果も変わる。 - Synthetic-trained modelの良好なsynthetic validation ≠ real-world performance。real holdoutでの外部妥当性が必要。 - Aggregate distribution一致はrare subgroup、tail、causal relation、longitudinal dependency、referential integrityの保存を保証しない。 - OSS benchmark/metricの結果を全dataset・全generatorへ一般化しない。 ## AVAILABILITY_GATES - source data classification / legal basis / purpose limitation - generator type / version / configuration / seed - DP有無。DPならepsilon/delta、accountant、composition、bounds/clipping、neighbor definition - structured/tabular/text/image/time-series等のmodality - relational integrity / longitudinal identity requirement - tenant/region/data residency、training retention、logging - release audience（internal dev / vendor / public）とattacker capability - real holdoutを評価専用に保持できるか ## IMPLEMENTATION_STATE 実装可能。Enterprise実装は generator と release gate を分離する。推奨pipelineは `classified source → bounded cohort → generator/versioned config → synthetic artifact → utility/fidelity eval → privacy attack eval → policy release gate → downstream real-holdout validation`。LLMはgenerator候補の一つに過ぎず、privacy evaluatorやrelease authorityを兼任させない。 ## BENCHMARK_OR_EVAL 後続TEST_PROFILE: - fixtures: balanced tabular / rare subgroup / high-cardinality categorical / correlated quasi-identifiers / longitudinal / relational / free-text with seeded canary PII - utility: univariate/multivariate distance、correlation/association、constraint validity、referential integrity、TSTR/TRTS（Train Synthetic Test Real / Train Real Test Synthetic）、real-holdout task metric、calibration - privacy: exact/near duplicate rate、nearest-neighbor distance、singling-out、linkability、inference、membership inference、canary extraction、PII/secret scanner - fairness: subgroup utility、error parity、rare-group preservation - DP: epsilon/delta/accounting validation、repeat-run budget composition - operability: generation latency、cost/record、reproducibility、audit completeness 評価結果はprivacy/utility/fairness/operabilityを別列で保持し、加重平均一個へ圧縮しない。 ## SECURITY/PRIVACY raw sourceへのアクセス制御とsynthetic artifactのrelease classificationを別管理する。synthetic artifactを自動的にpublic扱いしない。canary/secret seeded testは実秘密情報を使わずsynthetic fixtureで行う。 AUDIT: source dataset ID/hash、cohort query、schema、generator/version/hash、config/seed、DP parameters、evaluation suite/version、attack assumptions、release decision、approverを保存。 ## COST generator computeだけでなく、privacy attack suite、real-holdout evaluation、人手review、再生成を含める。 ## OPERABILITY source schema drift、generator upgrade、DP budget change、new attack/evaluator release時に再評価する。 ## SAFE_WORDING_FOR_FUTURE_BOOK 「Synthetic dataは実データへの直接アクセスを減らし、開発・試験・共有の選択肢を増やせる。ただし“synthetic”という生成由来だけでは匿名性やprivacyを保証しない。Enterprise運用では、生成器・source cohort・privacy mechanismをversion固定し、utility、downstream validity、privacy attack、fairnessを独立評価してrelease gateを通す。Differential Privacyを使う場合は、epsilon/delta等の保証条件とaccountingをartifact provenanceとして保持する。」 ## UPDATE_WORK_HANDOFF - Core候補名: `SYNTHETIC DATA RELEASE CONTRACT` - 必須field候補: source dataset ID/hash; source classification; cohort query; schema/version; modality; generator class/product/model/version/hash; config/seed; training cutoff; DP mechanism; epsilon/delta; accountant/composition; constraints; artifact hash; fidelity metrics; downstream real-holdout metrics; privacy attack suite/version/results; subgroup metrics; PII/canary scan; release audience; retention; approver; provenance. - provider mapping時はcommercial synthetic-data productsのcurrent plan/region/retention/training-use/APIを再確認する。 - EA-076 Time-series/Sensor AIとはlongitudinal synthetic telemetryで接続するが、時系列予測品質とprivacy release判断を混同しない。 ## OPEN_UNKNOWN - 2026-09-16時点の主要commercial synthetic-data provider各社について、plan/region/data-residency/training-retention/API revisionを横断固定していない。 - SDV current exact release/tag/commitは将来update workで再pinする。 - Text/LLM synthetic dataに対するattack suiteの標準化は成熟途上で、単一suiteを十分条件とはできない。 ## STOP_CONDITION Core採用判断に必要な概念分離、formal privacy boundary、implementation contract、utility/privacy/fairness/downstream evaluation、failure envelope、後続provider再確認項目まで揃ったためEA-080のbounded packetを閉じる。同一source version+claim relationは再採集せず、将来はcurrent provider/versionまたは新しいprivacy attack/standard差分のみ更新する。 --- ## AUDITED_CURRENTNESS_BOUNDARY NIST SP 800-226 privacy-evaluation guidance remains distinct from synthetic generation, de-identification and attack-based evaluation. NEXT: /agent/start.json STOP: This is a knowledge projection, not an execution order.