人口合成はどの方法がよいか：レビューと最近の比較研究から選ぶ

調査日：2026年10月17日。最新の一論文だけから全用途の勝者を決めず、入力・目的・評価条件をそろえて判断する。人口合成と、人口に行動を与える社会シミュレーションは異なる工程である。

手法名を選ぶ前に何を決めるか

La・Vu・Kamruzzaman・Millerの2025年レビューは、課題をデータの制約、人口の多様性、次元の増大、適応性の四つから整理する。著者公開稿の分類、世帯関係、計算量、転用と結論を読んだ。ある場所で精度がよいことだけでは、別地域へ持っていけるか、世帯内の関係を表せるかは分からない。したがって「VAEかLLMか」を先に決めるより、必要な属性と入手可能な資料から方式を絞る。[1]

Chapuis・Taillandier・Drogoulのレビューは、生成手法と社会シミュレーションでの実際の初期化を区別する。実装と初期化を明記する重要性を指摘している。これはJASSSを対象とした調査で、すべての分野の順位表ではない。[2]

最近の比較から分かること

Darselほか：深層モデルとBN

2026年の最終版PDFをHALの著者公開資料から取得し、方法、結果、結論、限界を読んだ。2025年hEART先行短報とは評価指標とデータ版を区別する。最終版は分布・現実らしさ・プライバシーを評価する枠組みを提案し、フランスの人口資料から12属性を選び、少量・多めの訓練資料でBN、MCMC、VAE、GAN、拡散モデルを比較する。[3][4]

この実験条件ではBNが最もよい折り合いを示し、深層モデルでは拡散が有力だった。属性が増える場合や別の地域に、その優劣を一般化しない。LLMとIPFはこの比較に含まれていない。単独の世界一を決める論文ではない。

評価では三属性の分布の誤差（平均SRMSE3）、資料中で見られない属性対を含む生成記録の割合（SSCIOD）、訓練記録との近さを評価用記録と比べる指標（WDCR）を用いる。属性対の検査は三属性以上で初めて生じる矛盾を見逃し得る。プライバシーの指標も形式的な秘匿保証ではない。参照資料にないことと論理的に不可能なことを区別して使う。

著者リポジトリでは、beta-VAE、WGAN、集計誤差の関数を読解した。新しい評価指標やコードの改訂は先行稿と区別する。ルートLICENSEが確認できないので、公開コードを無条件に再配布・製品採用しない。

Yunほか：LLMは何を改善するか

2026年雑誌論文につながる公開稿を読み、著者コード HyunsooYun/llm-pop-synth を確認した。属性を文章へ変えて小型の言語モデルを追加学習し、BNで学んだ属性順序を使う方式と比較している。公開稿の表では、LLM系は実現可能性の指標で有利でも、VAE/WGANの方が周辺・二変量分布への一致がよい。単一の勝者にはならない。[5]

評価の参照となる約100万記録も、全住民の完全な真実ではなく、調査資料をまとめたh-populationである。そこで未観測の組み合わせを、定義上絶対に不可能と断定しない。この実現可能性は有限の参照資料に依存する代理指標である。著者コードはMIT、データ条件は別途確認が必要。

Jones・Dawson・Mills：個票がないときのLLM

2026年PLOS ONE論文は、集計だけから、ずれを次の指示に返しながら世帯を作る。NewcastleのIPU比較ではLLMが年齢等でよく、IPUが世帯構成と全項目平均、速度・費用で有利だった。どちらがよいかは項目と利用できる資料で変わる。これはIPUとの比較で、あらゆるIPF実装への結論ではない。[6]

LLMによる一致も未知の高次関係の保証にはならず、プロンプトで結果が変わる。2026年8月19日の訂正も読み、図10は予備実験から20反復の結果へ修正されたことを確認した。[7]

社会シミュレーションまで含めると

Larooij・TörnbergのレビューはLLMを使うABMの検証を検討する。必要なのは目的に対応する評価、現実のデータとの照合、反復や感度確認であり、自然な会話ができるだけでは社会現象の再現を確認できない。[8]

例えば住民の年齢分布を再現しても、価格変更による購入増加を正しく予測できるとは限らない。人口の評価、行動の評価、相互作用の評価、介入の因果効果の評価は別に用意する。

方式を選ぶ基準

これは資料に基づく選定案であり、全方式を自分たちで比較済みという報告ではない。評価は同じ資料、未使用交差表、構造的制約、少数集団の被覆、複数seed、計算費用をそろえる。精度の僅かな差と費用が大きく違う場合、優劣を一つの数へ隠さず報告する。

出典と読解範囲

1. Laほか2025。著者公開稿の本文：https://www.researchgate.net/publication/389527876_Population_synthesis_a_problem-based_review ; 雑誌 DOI: https://doi.org/10.1080/01441647.2025.2469069
2. Chapuisほか2022、方法・評価・議論：https://www.jasss.org/25/2/6.html
3. Darselほか2026、最終版の方法・結果・限界：https://hal.science/hal-05758634/document ; DOI: https://doi.org/10.1016/j.trc.2026.105627
4. 同著者2025先行短報（最終版とは区別）、方法・結果・結論：https://transp-or.epfl.ch/heart/2025/abstracts/hEART_2025_shortpaper_95.pdf ; コード：https://github.com/vdarsel/PopulationSynthesis
5. Yunほか、2026年雑誌版 DOI: https://doi.org/10.1016/j.trc.2026.105581 ; 今回読んだ公開稿：https://arxiv.org/pdf/2505.04196 ; コード：https://github.com/HyunsooYun/llm-pop-synth
6. Jonesほか2026、方法・比較・限界：https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0341704
7. 同論文の図の訂正：https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0356492
8. Larooij・Törnberg、2025年公開・2026年巻、レビュー：https://pmc.ncbi.nlm.nih.gov/articles/PMC12627210/

この比較は最新文献をすべて網羅した系統的レビューではない。