半教師あり学習とは

半教師あり学習は、ラベル付けされた学習データセットとラベル付けされていない学習データセットの両方を含む機械学習の一形態です。その名前から推測されるように、この方法は教師あり学習と教師なし学習の両方の要素を取り入れています。半教師あり学習は2段階のプロセスを使用します。まず、教師あり学習のように、ラベル付きデータセットを使ってプロジェクトのアルゴリズムを最初に学習します。その後、ラベルの付いていないデータセットで学習することで、アルゴリズムを進化させます。

半教師あり学習は、プロジェクトに多くの学習データがありながら、そのほとんどまたはすべてがラベル付けされていない場合に理想的です。ラベル付けされていないデータしか利用できないプロジェクトの場合、半教師あり学習は、ラベル付けされていない学習データのみに切り替える前に、手動でラベル付けされたデータで初期トレーニングを行うことで、プロジェクトを立ち上げ、実行することができます。このアプローチを使用するプロジェクトでは、データを手作業でラベリングする際、それがプロジェクトの残りの部分を構築する基礎となるため、チームは注意を払う必要があります。

半教師あり学習を使用する決定は、多くの場合、使用可能なデータセットの内容によって決まります。ビッグデータの時代においては、ラベル付きデータよりもラベルなしデータの方がはるかに入手しやすく、アクセスも容易です。そして、データの取得元によっては、ラベルなしデータの方がコストも安く済みます。

それでも、プロジェクトはラベルなしデータだけで進める必要がある場合があります。このような場合、チームは、教師なし学習の探索的な性質を活用する方が有用か、それとも初期アルゴリズムのトレーニング手段としてデータセットの一部にラベルを付けるために時間と費用をかける方が有用かを判断しなければなりません。

半教師あり学習とは

半教師あり学習は、教師あり学習と教師なし学習の中間に位置する機械学習手法です。半教師あり学習は、ラベル付けされたデータとラベル付けされていないデータの両方を使用してアルゴリズムをトレーニングし、ラベル付けされたデータのみを使用するよりも優れた結果をもたらす可能性があります。

半教師あり学習がプロジェクトに適しているかを判断するために、チームは以下のような質問をする必要があります。

• このプロジェクトで利用できるデータセットは何ですか。
• これらのデータセットのいずれかにラベルは付いていますか。財務データセットのラベルの例としては、取引が不正か正当かを示すラベルが付いたトランザクション・データが考えられます。
• データセットがすべてラベル付けされていない場合、チームは少なくともいくつかのデータにラベル付けするリソースを有していますか。
• このプロジェクトの目標は、教師あり学習と教師なし学習のどちらで達成しやすいですか。プロジェクトの目標は教師あり学習と教師なし学習のどちらによってより達成しやすいですか。
• 不正と正当な取引のパターンや特徴をモデルに学習させるために、ラベル付きデータは十分にありますか。

これらの質問に対する答えが、実現可能性を決定します。半教師あり学習を用いることが決まったら、次のステップは2つのトレーニング用データセットを用意します。1つ目は、通常、プロジェクトの基礎トレーニングに使用するための小さなラベル付きデータセットです。2番目のトレーニング・データセットは大きく、ラベルなしです。システムはラベル付けされていないデータセットを処理するとき、ラベル付けされたセットから学習したものを使って擬似ラベルを生成します。このプロセスは、アルゴリズムを改良してパフォーマンスを最適化するために反復されます。

半教師あり学習の最も一般的なタイプは、次のとおりです。

• セルフトレーニング: セルフトレーニングでは、ラベル付けされたデータセットを使用してアルゴリズムを学習し、その後の学習でラベル付けされていないデータセットに対して、すべてのレコードがラベルを持つような高信頼度（99%以上の確率）の擬似ラベルを生成します。その後、元のラベル付き学習データと擬似ラベルを使用したラベルなしデータセットを連結した拡張データセットでトレーニングすることで、元のラベル付きデータセットと比較して大量のデータでトレーニングを行うことができます。
• 共同トレーニング: 共同トレーニングでは、少数のラベル付きデータセットを使用し、補完的かつ独立した情報に焦点を当てた2つの異なる視点（機能グループ）でアプローチします。それぞれのグループは別々のアルゴリズムをトレーニングし、ラベルの付いていないデータセットに対して予測を行い、その結果得られたそれぞれのモデルに対して擬似ラベルを分類します。分類子（ラベルを予測するアルゴリズム）によって生成された擬似ラベルにはそれぞれ確率スコアがついており、確率スコアの高い擬似ラベルがもう一方のトレーニングデータセットに追加されます。

たとえば、ある気象予測モデルは、風速、気圧、湿度など、記録された測定基準に関するラベルを使用するデータセットから開始し、もう一方のモデルは、地理的位置、日付/時刻、記録された平均降水量など、より一般化されたデータを使用します。どちらのモデルも擬似ラベルを生成し、メトリクス・モデルが一般モデルよりも高い確率スコアを持つ場合、その擬似ラベルは一般モデルに適用され、またその逆も同様です。

各手法は、包括的な最終モデルが生成されるまで、確率の低い結果を持つ領域を絞り込むためのトレーニングを継続します。

半教師あり学習の長所と短所

半教師あり機械学習は、高度な異常検知やラベル付けされていないデータ内の隠れたパターンや構造を発見する能力など、教師あり学習を使用してプロジェクトを立ち上げる構造と教師なし学習の利点を組み合わせています。その本来備わった柔軟性により、さまざまなプロジェクトのニーズや目標に対して実現可能な選択肢となっています。

半教師あり学習に関するFAQ

半教師あり学習は通常どのような状況で使用されますか。

半教師あり学習は、プロジェクトのアクセス可能なデータがほとんどまたは唯一ラベルのないデータである場合に、最も有効に機能します。そのような場合、最初のステップのトレーニング・データセットを作成するために、データのサブセットを手動でラベル付けし、ラベルのないデータセットをモデルに探索させることができます。

半教師あり学習と教師なし学習の違いを教えてください。

教師なし学習では、モデルがラベルのないデータセットを探索し、入力と出力間のパターンや関係を自力で発見することを目標としています。半教師あり学習はこの方法を使用していますが、プロジェクトの基盤となる方向性を構築するために、小さなラベル付きデータセットでアルゴリズムをトレーニングする前段階があります。

半教師学習の長所と短所を教えてください。

半教師あり学習の長所は次のとおりです。

• ラベル付きデータとラベルなしデータの両方を活用できる
• テキスト、動画、音声などの非構造化データに対する適性が高い
• 入手しやすくコストの低いラベルなしデータを利用可能
• ラベル付きデータが少ない場合でも、モデルの性能向上が期待できる

半教師あり学習の短所は次のとおりです。

• 初期のトレーニングデータに手動でラベルを付けるには時間とコストがかかる
• 高品質なラベル付きデータを使った教師あり学習と比較すると、精度や透明性が劣る可能性がある
• 安全性や精度に関する厳格な要件があるプロジェクトには不向き
• 複雑かつ多様性のあるデータセットには対応しにくい