―因果メカニズムでAI開発・統計解析の「データ不足」を解消―
シードデータから大規模な拡張データを生成する「xCausal®︎ データ拡張機能」を提供開始

株式会社ヴェルト（本社：東京都渋谷区、代表取締役 CEO：野々上　仁、以下ヴェルト）は、自社コーザルAI（因果AI）プラットフォーム「xCausal®︎（クロス・コーザル）」の一機能として、少量のシードデータからAI開発・統計解析に必要な大規模データを生成する「xCausal®︎ データ拡張機能」の提供を7月13日より開始します。本機能は、グラフィカル因果モデル（GCM: Graphical Causal Model）が対象領域の実態を捉えていれば、少量のシードデータから大規模なデータセットへと拡張できるという性質を応用したものです。ヘルスケア領域での希少疾患研究のように「変数は多いのに症例が少ない」現場のニーズへの対応や、製造・金融・インフラ・モビリティなど、データ不足が深刻な領域へ適用可能です。生成されるデータには忠実（Fidelity）の検証機能を標準搭載し、拡張データがシードデータをどれだけ忠実に再現しているかを定量的に確認できます。

ヴェルトは2026年より、ミッション・ステートメントを「We power your business with WHY 〜 Redefining trust in the age of AI」（「なぜ」を知る力でビジネスを加速 〜 AI時代の新たな信頼を形づくる）へと刷新しました。原因と結果のメカニズム＝「なぜ」を起点とする本機能は、この考え方を具現化する取り組みの一環として提供いたします。

■背景：あらゆる産業に潜む「データ不足」という構造課題

AIや統計解析の現場では、特定のデータセットが量的に不足するという問題が広く存在します。不良品、不正取引、設備故障、災害、希少疾患——意思決定上もっとも重要な事象ほど発生頻度が低く、データが偏在し不均衡であるため、予測モデルが重要なケースを見逃すという課題が様々な領域で起こっています。一方、近年普及した生成AI系の合成データ手法は、高精度なモデルほど大量の学習データを必要とするため、データが少ない現場ほど使いにくいという制約を抱えます。少量データから生成すると元データの焼き直しに留まりやすく、生成プロセスがブラックボックス化するため、医療・金融のような説明責任が求められる領域では採用のハードルが高いのが実情です。

■因果モデル（GCM）を「データの生成メカニズム」として利用する

データを増やす一般的な手法であるGANやVAEなどは、多くのデータを参照し、見た目（分布）を真似るアプローチです。なぜその値になるのかという理由までは捉えないため、参照データが少ないと精度が落ち、生成の過程も外からは説明しにくくなります。これに対しGCM（グラフィカル因果モデル）は、データがどのような原因と結果の連鎖で生まれるのかという設計図をデータの生成メカニズムとして準備します。例えば「ある条件が変わると次の状態が変わり、結果として品質が変わる」といった因果の関係を組み込み、少ないシードデータからでも筋の通ったデータを大量に作り出すことが出来ます。また、一つひとつの値について「なぜそうなるのか」という理由を説明できます。模倣的なアプローチとの違いは、実際には観測されていない条件についても設計図に沿って妥当なデータを生み出せる点です。

■本機能の特長

1. 相関の模倣ではなく、因果構造に基づく拡張
以下のデータ生成メカニズムを起点にデータを拡張します。一般的な手法が、観測された相関を模倣する（内挿）のに対し、本機能は因果構造に基づく生成を行うため、少量シードでも機能し、「なぜそのデータが生成されたか」を因果構造で説明できます。実際には起きていないが起こりうる介入・反実仮想シナリオまで生成でき、稀有なイベントへの対策やストレステストに活用できます。

① 親を持たない変数（根ノード）は、その変数の分布から値をサンプリングします。
② 親を持つ変数（子ノード）は、親の値を入力に関数や機械学習モデルで計算し、ノイズを加えて値を決めます（＝関数型のメカニズム）。式で表すと「子 ＝ f(親) ＋ ノイズ」です。
③ この処理を上流（親）から下流（子）へ順番に繰り返すことで1件分のデータ（1行）が出来上がります。

必要な件数だけ繰り返せば、シードと同じ因果関係を保ったまま大規模なデータへ拡張できます。

2. 忠実（Fidelity）検証機能
拡張された「合成的拡張データ」が、シードデータをどれだけ忠実に再現しているかを、以下の2つの観点から定量的に確認できます。

・各変数の分布の類似度 : 単変量分布をシードデータと比較します。
・変数間の相関関係の比較 : 変数同士の相関・依存関係が保持されているかを比較します。

より高い精度を確認する場合、予測モデルによる実用性検証をプロフェッショナルサービスとして提供します。シードデータと拡張データそれぞれで同一の予測モデルを構築・比較し「実データの代わりに使えるか」という実用性の観点から拡張データの品質を検証します。

※ 本機能における「合成的拡張データ」および忠実性の評価の考え方は、英国国家統計局（ONS）が示す合成データの定義・評価手法を参照しています。

3. コーザルAI（因果AI）プラットフォーム「xCausal®︎」の信頼性と使いやすさ
本機能の価値は、コーザルAIプラットフォーム「xCausal®︎」を基盤として発揮されます。xCausal®︎は、コーディングなしで直感的に使えるSaaS型の因果AIプラットフォームで、ベースとなる因果モデルを信頼性と使いやすさのバランスが取れたツールです。構造的因果モデル（SCM）に基づく理論的に立証された因果推論や、頑健性評価などの機能を用いて、信頼性の高いモデルを素早く作成可能です。

4. プロフェッショナルサービス ― 因果モデル作成支援・実用性（Utility）検証等
ヴェルトは、本機能の前提となる因果モデル（GCM）の構築支援から拡張データの実用性検証までを、プロフェッショナルサービスとして一貫して提供します。因果モデルの作成では、共変量など必要な変数とデータの洗い出しや、モデル構築支援などを実施します。実用性（Utility）検証では、シードデータと拡張データそれぞれで同一の予測モデルを構築・比較し、実データの代わりに使えるかという観点から拡張データの品質を検証します。

■前提条件と対象

本機能は、ベースとなる因果モデル（GCM）やメカニズムが専門的な見地から妥当であることを前提として有効に機能します。

・ご利用上の前提：前提となる因果モデルが本来の実態と異なる場合、誤ったデータが生成される可能性があります。本機能の出力品質は入力するGCMの妥当性に依存するため、ドメイン専門家による因果構造の検証と確認を前提としてご利用ください。
・対象データ：表形式の数値データを対象とします。
・データ間のバランス：拡張の品質はシードデータにおける変数間のバランスにも左右されます。偏りの大きいデータでは、その偏りを反映した拡張となる点にご留意ください。

■AI-Readyなデータへの貢献

近年、AIをすぐに学習・推論へ活用できる状態に整えた「AI-Readyなデータ」の重要性が、国内外の政策で急速に高まっています。AI-Readyなデータとは、単に量が多いだけでなく、正確性・一貫性・完全性が担保され、機械が意味まで解釈できる高品質なデータを指します。AIがハルシネーションやバイアスを抑え精度を高めるには、こうした質の高いデータが大量に必要とされます。

日本政府が2025年12月23日に閣議決定した初の「人工知能基本計画」（副題「信頼できるAIによる日本再起」）は、日本の強みである質の高いデータの整備・拡充と、AIの説明可能性・透明性の確保を重点に掲げています[1]。また2025年6月13日にデジタル行財政改革会議が決定した「データ利活用制度の在り方に関する基本方針」は、データとAIの好循環を形成し、「AIで強化される（AI-Powered）社会」を実現することを基本的な視点としています[2]。「xCausal®︎ データ拡張機能」は、少量の良質なシードデータを因果構造に基づき大規模なデータセットへと拡張することで、この「質を保ったままのスケール」という難題に応えます。さらに忠実性（Fidelity）検証により拡張後も正確性・一貫性が保たれていることを定量的に確認できるため、量と質を両立したAI-Readyなデータの整備に貢献します。データ不足を理由にAI活用が進まなかった領域において、政府が掲げるデータとAIの好循環を後押しする取り組みです。

【出典】
[1] 内閣府「人工知能基本計画」（令和7年〔2025年〕12月23日 閣議決定）https://www8.cao.go.jp/cstp/ai/ai_plan/aiplan_20251223.pdf
[2] デジタル行財政改革会議「データ利活用制度の在り方に関する基本方針」（2025年6月13日決定。同日「デジタル社会の実現に向けた重点計画」の一部として閣議決定）https://www.cas.go.jp/jp/seisaku/digital_gyozaikaikaku/pdf/data_houshin_honbun.pdf

■展開領域と主なユースケース

ヘルスケア・創薬、金融・保険、フィジカルAI・モビリティ、製造業、社会インフラ・防災、サイバーセキュリティなど、データの希少性・不均衡が課題となる幅広い領域での提供を予定しています。例えば以下のようなユースケースを想定しています。

・製薬：外部対照群（External Control Arm）の生成
　数件の患者データからもしプラセボだったらという反事実データを生成し、治験の疑似的な対照群を構築

・金融：AML（アンチ・マネー・ロンダリング）の新手口耐性テスト
　因果グラフからまだ観測されていない不正パターンを生成し、検知モデルの死角を解消

・フィジカルAI：物理整合エッジケース生成
　物理法則を強制した拡張により、わずかな計測データから物理的に正しい事故データを安全に量産

■ 岡山大学大学院保健学研究科 渡辺 彰吾 教授によるコメント

循環器領域の医療意思決定において、AIによる分析が進む一方、従来の相関関係に基づく予測だけでは「どの治療介入が最適か」を判断する信頼性の担保が大きな課題でした。ヴェルト社が提供する因果推論技術は、複雑な臨床データから因果メカニズムのモデルを構築し、限られたリアルワールドデータからでも最適な治療効果をシミュレーション可能にするものです。本アプローチは医療AIの解釈性を大きく向上させるものであり、循環器疾患における個別化医療の発展に向けた重要なモデルケースになると強く期待しています。

■ 株式会社ヴェルトについて

株式会社ヴェルトは、「なぜ」を知る力で社会課題解決とグッドウィル・イノベーションを加速するデータサイエンス・カンパニーです。コーザルAI（因果推論AI）のリーディング企業として、因果関係を解明するAIプラットフォーム「xCausal®︎（クロス・コーザル）」や、専門知識や組織の高度な意思決定プロセスをAI化するカスタムソリューション「コーザルAIアシスタント」を提供しています。ヴェルトは、ブラックボックスになりがちなAIに解釈性と説明可能性を備えた「信頼できるAI」を提供することで、社会にポジティブスパイラルを生み出していきます。

■お問い合わせ先

株式会社ヴェルト
PR担当：田代
TEL：03-6427-4457
MAIL：pr@veldt.jp