G検定 用語解説
データリーケージとは
学習・評価データに本来使えない正解情報が混入し、性能を過大評価してしまう事故。
まず押さえる結論
データリーケージは、G検定の「大項目7 AIの社会実装に向けて」で確認しておきたい用語です。 定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
- CRISP-DM（進め方の枠組み）とPoC（概念実証）の役割の取り違え。
- データリーケージ（学習・評価データに正解情報が混入する事故）の見落とし。
- 説明可能AI（XAI）・公平性・透明性など、近い概念の取り違え。
関連する確認問題
大項目7 AIの社会実装に向けて / データの整備と運用
学習に用いたデータに、本来は予測の時点で知り得ないはずの正解に関わる情報が紛れ込んでいたため、検証では極めて高い精度が出たのに、本番運用ではまったく精度が出なかった。この原因となる問題を指す用語はどれか。
正解はデータリーケージ。本来は予測時点で得られないはずの正解に関わる情報が学習データ（特徴量）に紛れ込み、検証では高精度に見えても本番運用で性能が出なくなる問題である。概念ドリフトは運用中に入力データの傾向が変化して精度が下がる現象、データの品質はデータの正確さや目的への適合の度合い、データの加工・前処理はデータを整える工程であり、いずれも正解情報の漏れ込みによって見かけ上だけ高精度になる問題を指す語ではない。
大項目7 AIの社会実装に向けて / データの整備と運用
運用中の機械学習モデルについて、時間の経過とともに入力データの傾向や、入力と出力の関係が変化していき、モデルの予測精度が徐々に低下していく現象を何というか。
概念ドリフトは、時間の経過とともに入力データの傾向や、入力と出力の関係そのものが変化していき、運用中のモデルの予測精度が徐々に低下していく現象である。運用後の再学習・監視（MLOps）が重要になる。データリーケージは学習時に正解情報が混入する事故、過学習は訓練データに適合しすぎる現象、アノテーションはラベル付け作業であり、いずれも運用中の傾向変化による精度低下を指す語ではない。
同じ章で確認したい用語
到達チェック
- データリーケージを一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、データリーケージに関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる