メトリクス基準学習（めとりくすきじゅんがくしゅう）
最終更新：2026/4/28
メトリクス基準学習は、機械学習モデルの学習において、明示的な損失関数を用いずに、データ間の距離や類似度などのメトリクスを最適化する学習手法である。
別名・同義語 距離度量学習類似度学習
ポイント
従来の学習法とは異なり、ラベル情報に依存せず、データの潜在的な構造を学習できる点が特徴である。画像認識や推薦システムなどへの応用が期待されている。
メトリクス基準学習とは
メトリクス基準学習（Metric Learning）は、機械学習における教師あり学習、教師なし学習、自己教師あり学習のいずれにも適用可能な学習パラダイムである。その目的は、データ点間の距離を、データが持つ意味的な類似性や相違を反映するように学習することにある。従来の識別学習や回帰学習とは異なり、明示的な損失関数（例えば交差エントロピー損失）を定義する代わりに、データ間の距離を直接最適化する。
メトリクス基準学習の基本的な考え方
メトリクス基準学習では、通常、距離関数（例えばユークリッド距離、コサイン類似度）を定義し、この距離関数を学習可能なパラメータを持つ関数として扱う。学習の過程で、この距離関数は、類似したデータ点間の距離が小さく、類似していないデータ点間の距離が大きくなるように調整される。これにより、学習された距離関数は、データが持つ潜在的な構造を反映したものとなる。
メトリクス基準学習の代表的な手法
- Triplet Loss: 3つのデータ点（アンカー、ポジティブ、ネガティブ）を用いて、アンカーとポジティブの距離が、アンカーとネガティブの距離よりも小さくなるように学習する。
- Contrastive Loss: 2つのデータ点（類似ペア、非類似ペア）を用いて、類似ペアの距離が小さく、非類似ペアの距離が大きくなるように学習する。
- Lifted Structured Feature Embedding: 複数のデータ点を用いて、データ点間の相対的な距離関係を学習する。