最終更新日:2026年9月24日
gk neural_network
まず結論
自己教師あり学習(Self-Supervised Learning)は、人が正解ラベルを付ける代わりに、データ自身から学習信号を作って学習する方法です。
G検定では、
人手ラベルなし
でも学習目標はデータから作る
という点を押さえます。
直感的な説明
文章の一部を隠して元の単語を当てたり、同じ画像を別々に変換して「同じ元画像」として近づけたりします。
問題と答えの関係を、データそのものから作るイメージです。
定義・仕組み
代表例には、
- BERTのMasked Language Modeling
- SimCLRなどの対比学習
- 画像・音声のマスク復元
- 将来・欠損部分の予測
などがあります。
自己教師あり学習は、ラベルなしデータから有用な表現を学ぶため、広い意味で教師なし学習に含めて説明されることもあります。
したがって、
自己教師ありは教師ありでも教師なしでもない
と絶対的に分類するより、人手ラベルを使わず学習信号を自動構成することを本質として覚えます。
いつ使う?(得意・不得意)
- 未ラベルデータが大量にある
- 人手ラベルが高コスト
- 事前学習で汎用表現を得たい
場合に利用されます。
事前学習後にFine-tuningすることは多いですが、
自己教師あり学習の後は必ずFine-tuningが必要
ではありません。
得られた表現を固定特徴として使ったり、zero-shot等へ利用する場合もあります。
G検定ひっかけポイント
人手ラベル
❌ 人が正解ラベルを付ける
⭕ データ自身から学習信号を作る
強化学習
❌ 報酬最大化
⭕ 自己教師ありは報酬を中心に学ぶ方法ではない
Fine-tuning
❌ 必須
⭕ 代表的な利用方法の1つ
まとめ(試験直前用)
- 自己教師あり=データ自身から学習信号
- 人手ラベル不要
- MLM・対比学習など
- 表現学習・事前学習で重要
- Fine-tuningは必須ではない
- 「ラベルを誰が作る?」で切る