アクティブラーニング（能動学習）とは？機械学習における仕組みと主な手法を解説

機械学習の分野においてアクティブラーニング（Active Learning：能動学習）は、「データそのものは豊富にあるものの、クラスラベルが少ない、あるいはラベルを取得するコストが高い」という状況に適した教師あり学習の一種です。通常の教師あり学習では大量のラベル付きデータが必要になりますが、アクティブラーニングでは、学習アルゴリズム自身が能動的にユーザー（人間のオラクル＝アノテーターなど）へ問い合わせを行い、必要なラベルだけを効率的に収集します。

このアプローチにより、同じ概念を学習するために必要なラベル付きデータの数を、従来の教師あり学習よりも大幅に抑えることができます。つまり、アクティブラーニングの目的は、できるだけ少ないラベル付きデータで高い精度を実現し、アノテーションコストを最小限に抑えることにあります。

アクティブラーニングの基本的な流れ

ここで、検討対象となる全データ集合を D、そのうち最初からクラスラベルが付与されている小さな部分集合を L（訓練セット）、ラベルが付いていないデータの集合を U（未ラベルデータプール） と定義します。

アクティブラーナーは、まず L を初期訓練セットとして学習を開始します。次に、クエリング機能を使って U の中から重要度の高いサンプルを1つ以上慎重に選び出し、そのラベルをオラクル（人間のアノテーターなど）に問い合わせます。新しくラベルが付与されたサンプルは L に追加され、そこから通常の教師あり学習の手順でモデルが更新されます。

この「サンプル選択 → ラベル取得 → モデル更新」というサイクルを繰り返すことで、モデルの精度は段階的に向上していきます。アクティブラーニングの性能評価には一般に学習曲線（learning curve）が用いられ、これは「問い合わせたサンプル数」を横軸、「精度」を縦軸としてプロットしたものです。曲線が早く飽和するほど、少ないラベル数で高精度に到達できていることを意味します。

どのデータを問い合わせるべきか：代表的なクエリ戦略

アクティブラーニング研究の中心テーマのひとつが、「どのデータタプルを問い合わせるべきか」というサンプル選択戦略です。これまでにさまざまなフレームワークが提案されています。

1. 不確実性サンプリング（Uncertainty Sampling）

最も広く使われている手法です。アクティブラーナーは、自分が最もラベルの予測に自信を持てないタプルを優先的に問い合わせます。曖昧なサンプルほど、ラベルが判明したときに得られる情報量が大きいためです。

2. バージョンスペースの削減

観測された訓練データと整合する仮説の集合（バージョンスペース）をできるだけ小さくするようなタプルを選ぶアプローチです。仮説の候補を効率的に絞り込むことで、学習を加速させます。

3. 決定理論的アプローチ（期待誤差削減）

各候補タプルについて、それをラベル付けした場合の期待誤差の削減量を計算し、最も効果の大きいものを選択する方法です。具体的には、未ラベルデータ U 全体に対する予測の不確実性（エントロピー）の期待値を最大限低減できるタプルを選びます。理論的には強力ですが、計算コストが非常に高いという課題があります。

関連する概念：転移学習（Transfer Learning）との比較

アクティブラーニングと並んで注目されるのが転移学習です。転移学習の目的は、1つ以上のソースタスクから獲得した知識を抽出し、それを新しいターゲットタスクに適用することにあります。

従来型の学習アプローチでは、分類タスクごとに利用可能なラベル付き訓練データ・テストデータをもとに、毎回ゼロから新しい分類器を構築していました。さらに従来手法は、「訓練データとテストデータは同じ分布・同じ特徴空間から抽出されている」という前提に依存しています。そのため、データの分布が変化した場合には、モデルを作り直す必要がありました。

一方、転移学習ではソースタスクに関する知識を活用してターゲットタスク用の分類器を構築するため、必要な訓練データ量と訓練時間を大幅に削減できます。ラベル取得のコストを下げるアクティブラーニングと、既存知識を再利用する転移学習は、どちらも「限られたラベル付きデータで高性能なモデルを手に入れる」という共通の課題に応える補完的な手法だと言えます。