パターン認識とは、データから抽出されたパターンに基づいて観測値にクラスを割り当てるタスクである。これは、コンピュータアルゴリズムを通じてデータ内の規則性を自動的に発見し、その規則性を用いてデータを異なるカテゴリに分類するなどの行動を取ることに焦点を当てた分野である。類似しているが、パターン認識はパターンマシンと混同されるべきではない。パターンマシンはパターン認識能力を持つ場合もあるが、その主な機能は創発的パターンを区別し生成することにある。この分野は統計学と工学に起源を持ち、現代のアプローチはビッグデータと豊富な処理能力の利用可能性により、機械学習にますます依存している。
パターン認識システムは通常、ラベル付きトレーニングデータから訓練され、各インスタンスは正しい出力とペアになる。ラベル付きデータが利用できない場合、アルゴリズムは教師なし手法を通じて未知のパターンを発見できる。この分野は信号自体に焦点を当て、取得や信号処理を含み、コンピュータビジョンの文脈で人気がある。主要な会議として、コンピュータビジョンおよびパターン認識会議がある。機械学習では、パターン認識は与えられた入力値にラベルを割り当てることであり、統計学では、判別分析が1936年にこの目的のために導入された。
出力の種類
パターン認識は、単純な分類を超えたさまざまな出力タイプを包含する。分類は、各入力値を所定のクラスセットのいずれかに割り当てようとし、例えば電子メールがスパムかどうかを判断する。回帰は、各入力に実数値の出力を割り当て、例えば住宅価格を予測する。シーケンスラベリングは、シーケンスの各メンバーにクラスを割り当て、例えば品詞タグ付けは、文内の各単語にその文法上の役割をラベル付けする。構文解析は、入力文に構文構造を記述する解析木を割り当てる。これらのタスクは、すべての可能な入力に対して合理的な答えを生成し、統計的変動を考慮した「最も可能性の高い」マッチングを実行するという共通の目標を持ち、テキストエディタでの正規表現マッチングなど、正確な一致を求めるパターンマッチングアルゴリズムとは対照的である。
学習パラダイム
パターン認識は一般に、使用される学習手順によって分類される。教師あり学習は、手動でラベル付けされたインスタンスのトレーニングセットを前提とし、学習手順はトレーニングデータで良好に機能しつつ新しいデータに一般化するモデルを生成し、しばしばオッカムの剃刀に従って単純性を優先する。教師なし学習は、手動でラベル付けされたデータを前提とせず、固有のパターンを見つけようとし、分類の教師なし相当物はクラスタリングであり、多次元ベクトル空間での距離などの類似性測定に基づいて入力をグループ化する。半教師あり学習は、少量のラベル付きデータと大量のラベルなしデータを組み合わせる。一部の分野では、用語が異なる場合があり、例えばコミュニティ生態学では、一般にクラスタリングと呼ばれるものを「分類」と呼ぶ。
特徴と表現
各入力インスタンスは、既知のすべての特性の記述を構成する特徴ベクトルによって形式的に記述される。これらの特徴ベクトルは多次元空間内の点を定義し、ドット積や角度などのベクトル演算を可能にする。特徴は、カテゴリカル（名義的、性別や血液型など）、順序的（「大」「中」「小」などの順序項目）、整数値（単語数など）、または実数値（血圧測定値など）であり得る。多くのアルゴリズムはカテゴリカルデータを必要とするため、実数値または整数値のデータは、5未満、5から10の間、10より大きいなどのグループに離散化される場合がある。
確率的分類器
多くの一般的なパターン認識アルゴリズムは確率的であり、統計的推論を使用してインスタンスに最適なラベルを見つける。単一の最良ラベルのみを出力する非確率的アルゴリズムとは異なり、確率的アルゴリズムは、インスタンスがラベルによって記述される確率を表す信頼値を出力することが多い。また、関連する確率とともにN個の最良ラベルのリストを出力する場合もある。可能なラベルの数が少ない場合、Nはすべてのラベルの確率を出力するように設定できる。確率的アルゴリズムは、意思決定や複数の分類器を組み合わせる際に有用な信頼値を提供するなどの利点を提供する。
応用と現代の文脈
パターン認識は、統計的データ分析、信号処理、画像分析、情報検索、バイオインフォマティクス、データ圧縮、コンピュータグラフィックス、機械学習に応用がある。データベースにおける知識発見（KDD）とデータマイニングは、教師なし手法とビジネス利用に重点を置く一方、パターン認識は信号処理と工学的起源を強調する。深層学習とニューラルネットワークの台頭はこの分野を変革し、コンピュータビジョンと自然言語処理における画期的な進歩を可能にした。OpenAIやGoogle DeepMindによって開発されたような現代のシステムは、パターン認識の原理に大きく依存しており、しばしばトランスフォーマーや大規模言語モデルを介して実装される。この分野は、NVIDIA（提供リストにはないが、記事は外部リンクを避ける）などの企業からのハードウェアの進歩や、Amazon Web ServicesやAzureなどのクラウドプラットフォームとともに進化し続けている。
歴史と主要人物
パターン認識のルーツは統計学と工学に遡り、1936年の判別分析における初期の研究がある。バーナード・ウィドローのような先駆者は初期のニューラルネットワークに貢献し、トーマス・ディータリッチやマイケル・ジョーダンは機械学習理論を進歩させた。MIT CSAIL、スタンフォードAIラボ、カーネギーメロン大学などの研究機関は、その発展の中心となってきた。手作りの特徴から学習された表現へのこの分野の進化は、人工知能におけるより広い傾向を反映しており、パターン認識は知覚と意思決定の基盤的能力として機能する。