【あくてぃぶらーにんぐ】
アクティブラーニング（AI） とは？
最終更新:
💡 自分で「分からない問題」を選んで先生に聞きに行く賢い勉強法
学習に役立ちそうなデータを選び、人間などに正解ラベルを問い合わせる機械学習の戦略。ラベル付けの負担を減らすことを目指すが、効果はデータや選択方法による。
📌 このページのポイント
- ラベルなしデータから問い合わせる対象を選び、得たラベルを加えて学習する
- すべてにラベルを付ける場合より、少ないラベルで学習することを目指す
- 予測が不確かな例を選ぶ方法や、複数モデルの意見が割れる例を選ぶ方法がある
- 外れ値・データの偏り・ラベルの誤りに注意し、効果を評価する
ひよこ アクティブラーニングって、学校で使うやつとは違うの？
ペンギン先生 教育分野の主体的な学習とは別の用語だよ。AI分野では、どのデータに正解ラベルを付けてもらうかを選ぶ戦略を指す。図のように、選択、ラベル付け、追加学習を繰り返すんだ。
ひよこ なんでデータを選ぶ必要があるの？
ペンギン先生 人が全部にラベルを付けるには時間や費用がかかるからだよ。たとえば大量の猫と犬の画像があるなら、学習に役立ちそうな画像を選んで正解を聞く。少ないラベルで学習することを目指すけれど、必ず負担が減るとは限らないんだ。
ひよこ どうやって「分からないデータ」を見つけるの？
ペンギン先生 代表例は不確実性サンプリングだよ。猫か犬かの2択で予測するなら、猫の予測確率が50%に近い例を選ぶ方法がある。ただし、分類が3種類以上なら単純に50%を基準にはしないし、迷う例が必ず一番役立つわけでもないよ。
ひよこ 不確実性以外にも選び方はあるの？
ペンギン先生 複数モデルの予測が割れる例を選ぶ委員会ベースの方法や、まとめて選ぶデータの多様性を考慮する方法があるよ。最初にラベル付きのデータでモデルを学習する構成もある。ランダムに選んだ例で始めるのは一例で、唯一の始め方ではないんだ。
ひよこ 少ないラベルでも、いつもうまく学べる？
ペンギン先生 保証はないよ。不確かな外れ値ばかり選んだり、人のラベルが間違っていたりすると、期待した効果が出ないことがある。どの選び方が合うか、必要な精度とラベル付けの費用を確かめる。正解を聞かずに勝手に学ぶ方式とは違うんだ。
まとめ：ざっくりこれだけ覚えればOK！
「アクティブラーニング」って出てきたら「教えてほしいデータを選んでラベルをもらう学習」と思えばだいたいOK！
📖 おまけ：英語の意味
「Active Learning」 ＝ 能動学習
💬 「Active（能動的な）」「Learning（学習）」で、モデルが受け身じゃなく自分から「これを教えて！」と能動的にデータを選ぶ学習方法のことだよ。教育分野のアクティブラーニングとは別物なんだ