AI資格ドリル
資格を選ぶ↓

用語比較

センシティブ属性と代理変数の違い｜属性を外しても偏りが残る理由（G検定・AI倫理）

センシティブ属性は、法的、倫理的、社会的、個人的な理由で特別な配慮がなされる人間の属性で、人種や性別などが例です。代理変数は、センシティブ属性の代わりに使われる属性で、郵便番号が収入や人種、民族の代理として働く例があります。

センシティブ属性をデータから外すだけでは、公平になるとは限りません。センシティブ属性は、データに含まれる他の特徴と相関していることがほとんどで、代理変数が残れば、グループ間の不公平な結果が残りうるからです。

このページは、属性を外せば公平になると考えてしまう人と、二つの用語の役割が混ざる人を対象にしています。1,000人の応募者を使った計算例で、属性を使わなくても結果が分かれる様子を確認します。

この記事の根拠と出典

各セクションの見出しの下に、公式資料で確認した内容か編集部の整理かをラベルで示しています。 試験日・料金・申込条件・試験方式は変わることがあるため、申込前に公式サイトで確認してください。G検定の一次情報確認日: 2026-10-02。

結論

センシティブ属性

特別な配慮がなされる人間の属性。人種や性別などが例。公平性を検討するときに、グループ間で結果が不当に偏っていないかを確かめる軸になる。機密属性とも訳される。

代理変数

センシティブ属性の代わりに使われる属性。郵便番号が、収入・人種・民族の代理になる例がある。センシティブ属性を外しても、相関の強い代理変数が残れば、偏りは残りうる。

違いを表で確認

比較軸センシティブ属性代理変数
何を指すか配慮が求められる人間の属性そのものその属性の代わりに働く、別の属性
例人種、性別郵便番号（収入・人種・民族の代理）
公平性の検討での役割グループ別の結果を比べる軸属性を外したあとにも偏りを残す経路
データから外したときそれだけでは公平になるとは限らない相関の強いものが残っていれば、偏りが残りうる
区別の手がかり特別な配慮がなされる属性そのものかその代わりに使われる属性か

G検定の学習に使う書籍（Amazon）

試験範囲を通して読むときの1冊です。読んだ章は、このサイトの章別問題で確かめられます。

PR
深層学習教科書 ディープラーニング G検定（ジェネラリスト）公式テキスト 第3版 の表紙深層学習教科書 ディープラーニング G検定（ジェネラリスト）公式テキスト 第3版試験を実施する日本ディープラーニング協会が監修した公式テキストです。Amazonで見る

ほかの資格を含む参考書・問題集の一覧を見る

どこで迷っているかを切り分ける

01

性別や人種の列を消せば、公平なモデルになると考える人

列を消しても、相関の強い別の属性が残れば、その属性が代わりに働くことがあります。属性を外しただけでは、公平になるとは限りません。

02

どの属性が代理変数になりうるのか、見当がつかない人

センシティブ属性と相関の強い属性が、代わりに働くことがあります。郵便番号は、その例として挙げられます。

03

代理変数とサンプリングバイアスが混ざる人

代理変数は、特徴量どうしの関係で偏りが残る話です。サンプリングバイアスは、標本の選び方でデータが偏る話で、偏りの出どころが違います。

具体例で使い分ける

例 1

属性を使わなくても、採用率が分かれる計算例

説明のために作った例です。応募者1,000人が、グループPとグループQに500人ずつ分かれます。モデルはグループを使わず、居住地域だけで判断し、過去の採用率のとおり、地域αの応募者の20%、それ以外の応募者の60%を採用と判定します。グループPの450人と、グループQの50人が地域αに住んでいます。

  • グループPは、地域αの450人×0.2=90人と、それ以外の50人×0.6=30人で、合計120人です。採用率は120÷500=24%です。
  • グループQは、地域αの50人×0.2=10人と、それ以外の450人×0.6=270人で、合計280名です。採用率は280÷500=56%です。

結論: モデルはグループの情報を使っていませんが、採用率は24%と56%に分かれました。居住地域が、グループの代理変数として働いたためです。

例 2

グループ別の採用率を見て、公平性の指標で読む

前の例で、結果がグループに依存しているかを確かめます。

  • 人口統計学的パリティは、モデルの分類結果が特定の機密属性に依存しない場合に満たされる指標です。
  • 24%と56%は、結果がグループによって大きく異なることを示しているので、この指標の見方では、満たされていないと読みます。

結論: この例でも、24%と56%を出すには、応募者がどちらのグループかという情報を使っています。グループ別の結果を比べる指標では、結果と属性を並べて見ます。

問題文から答えを選ぶ手順

  1. 1

    問われているのが、属性か、その代わりかを見る

    人種や性別など、特別な配慮がなされる属性そのものを問うならセンシティブ属性です。その代わりに使われる属性を問うなら代理変数です。

  2. 2

    「外す」対策の限界を確かめる

    センシティブ属性を外したあとに、相関の強い属性が残っていないかを見ます。残っていれば、偏りも残りうると読みます。

  3. 3

    偏りの出どころを分ける

    特徴量どうしの関係なら代理変数、標本の選び方ならサンプリングバイアスです。偏りが生じる段階で区別します。

  4. 4

    結果の公平性は、グループ別に確かめる

    人口統計学的パリティや機会の平等のような指標で、グループ別の結果を比べます。

試験での見分け方

  • 1センシティブ属性は、特別な配慮がなされる人間の属性。人種や性別などが例。
  • 2代理変数は、センシティブ属性の代わりに使われる属性。郵便番号が例。
  • 3センシティブ属性を外しても、相関の強い代理変数が残れば、不公平な結果は残りうる。
  • 4公平性の指標は、グループ別の結果を比べて見る。人口統計学的パリティは、結果が機密属性に依存しないときに満たされる。

誤答しやすい選択肢

センシティブ属性を外せば、公平性は満たされると書く

修正: センシティブ属性は他の特徴と相関しているのがほとんどなので、外しても、サブグループが平等に扱われるとは限りません。

代理変数を、センシティブ属性そのものの別名と書く

修正: 別名ではありません。代理変数は、センシティブ属性とは別の属性で、代わりとして働くものです。

代理変数とサンプリングバイアスを、同じ偏りとして書く

修正: サンプリングバイアスは、母集団からランダムに標本を選ばないことで生じるデータの偏りです。代理変数は、特徴量の関係で偏りが残る点が違います。

結果が公平かどうかを、入力の属性だけで判断する

修正: 入力にセンシティブ属性が無くても、結果がグループで分かれることがあります。公平性の指標では、グループ別の結果を比べて見ます。

確認問題

Q1センシティブ属性の代わりに使われる属性を何というか。

答え: 代理変数

個人の郵便番号が、収入・人種・民族の代理として使われる例があります。

Q2センシティブ属性を外しても偏りが残るのは、なぜか。

答え: 相関の強い代理変数が残るから

機密性の高い属性は、データ内の他の特徴と相関していることがほとんどだからです。

Q3計算例で、グループPの採用率は何%か。

答え: 24%

地域αの450人×0.2=90人と、それ以外の50人×0.6=30人で、合計120人です。120÷500=24%です。

Q4結果がセンシティブ属性に依存しないときに満たされる指標は。

答え: 人口統計学的パリティ

モデルの分類結果が、特定の機密属性に依存しない場合に満たされる指標です。

到達チェック

  • センシティブ属性の定義と例を言える
  • 代理変数の定義と、郵便番号の例を言える
  • 属性を外しても偏りが残る理由を説明できる
  • 代理変数とサンプリングバイアスの違いを言える
  • 人口統計学的パリティの意味を説明できる

関連ページで確認する

同じ資格で次に知りたいこと

よくある質問

Qセンシティブ属性と代理変数は、何が違う？

A

センシティブ属性は、人種や性別など、特別な配慮がなされる人間の属性そのものです。代理変数は、その代わりに使われる別の属性で、郵便番号が例です。

Qセンシティブ属性をデータから外せば、公平になる？

A

なるとは限りません。センシティブ属性は他の特徴と相関しているのがほとんどなので、代理変数が残れば、グループ間の不公平な結果が残りうるからです。

Q公平性は、どう確かめる？

A

人口統計学的パリティや機会の平等などの指標で、グループ別の結果を比べます。人口統計学的パリティは、結果が特定の機密属性に依存しない場合に満たされます。

次に見る比較

シェア:XでシェアLINEでシェア

執筆: ミナト編集部（運営者情報を見る）