---
title: "自己教師あり学習（Self-Supervised Learning）とは？疑似ラベルで学ぶ仕組み【G検定対策】"
description: "自己教師あり学習疑似ラベルで学ぶ仕組みについて、G検定で問われるAI・機械学習分野の観点から、基本的な意味、代表モデル・手法との関係、試験で問われやすい判断軸を整理します。暗記だけでなく、似た概念との混同を避ける見分け方や、選択肢を切るためのポイントも確認します。"
canonical_url: "https://stemtazoo.github.io/gk/self-supervised-learning/"
section: "gk"
---

## まず結論
- **自己教師あり学習とは、入力データの一部を擬似ラベルとして利用し、人手でラベル付けをせずに表現学習を行う手法である。**
- G検定では「**教師ありでも教師なしでもない点**」が問われる。

## 直感的な説明
自己教師あり学習を一言でいうと、

> **「問題も答えも、データから自分で作る学習」**

です。

例：
- 文の一部を隠して、隠れた単語を当てさせる
- 画像の一部を消して、元を復元させる
- 同じ画像の別変換同士を「同じ」と判断させる

👉 **答えはデータの中にすでにある**  
👉 人が正解ラベルを付けなくていい

## 定義・仕組み
### 定義
- 大量の未ラベルデータを用い、
- データ自身からタスク（疑似ラベル）を生成して学習する手法
- 主目的は **汎用的な特徴表現の獲得**

### 代表的な方法
- マスク言語モデル（BERT）
- 対比学習（SimCLR, MoCo）
- 画像復元・予測タスク

重要：
- 明示的な正解ラベルは使わない
- しかし **学習自体は教師あり形式**

## いつ使う？（得意・不得意）
### 得意な場面
- ラベル付けコストが高い
- 大量の未ラベルデータがある
- 事前学習として使いたい場合

### 注意点
- 直接タスクを解くわけではない
- 最終タスクには微調整（Fine-tuning）が必要
- 疑似タスク設計が性能に影響する

## G検定ひっかけポイント
ここが一番重要です。

### よくある誤解
- ❌「明示的なラベルを使う教師あり学習」
- ❌「報酬で学ぶ強化学習」
- ❌「クラスタリング中心の教師なし学習」
- ❌「複数モデルを選別する手法」

### 正しい判断基準
- **疑似ラベルを使う → 自己教師あり**
- **人がラベルを付けない**