教師なし学習は機械学習の一分野であり、モデルがラベル付けされていないデータを与えられ、既知の正解を再現するように訓練される教師あり学習とは異なり、データ自体から構造、パターン、またはグループ分けを自ら発見しなければならない。教師なし手法は人間によるアノテーションラベルを必要としないため、非構造化テキスト、画像、取引ログなど、世界中に存在する膨大な量の生のラベルなしデータに直接適用でき、ラベル付けが高コスト、低速、または大規模には不可能な場合に魅力的なアプローチとなる。
主要なタスク
最も一般的な教師なしタスクはクラスタリングであり、k-meansや階層的クラスタリングなどのアルゴリズムを用いて、事前定義されたカテゴリなしに類似したデータポイントをグループ化する。例えば、小売業者は結果として得られるセグメントを事前に知らなくても、購買行動に基づいて顧客をクラスタリングできる。次元削減技術は、主成分分析やオートエンコーダーを含み、高次元データをその背後にある構造を可能な限り保ちながらより少ない変数に圧縮し、可視化や他のモデルの前処理ステップとして有用であることが多い。異常検知は、教師なし手法を用いてデータセットの大部分から大幅に異なるデータポイントをフラグ付けし、不正検知や産業監視に適用される。密度推定と生成的モデリングは、生成敵対ネットワークや拡散モデルに代表され、データセットの背後にある確率分布を十分に学習して、そこから新しく現実的なサンプルを生成する。
歴史
クラスタリングや主成分分析などの教師なし技術は、現代の機械学習よりはるか以前から統計学にルーツを持ち、1980年代にジョン・ホップフィールドによって開発された初期のオートエンコーダーやホップフィールドネットワークを含むニューラルアプローチによる教師なし学習は、深層学習時代より前から存在していた。しかし、2000年代から2010年代初頭の大部分において、大規模なラベル付きデータセットでの教師あり学習は、ほとんどの実用的なベンチマークで教師なしアプローチを上回り、教師なし学習は主に探索的データ分析や前処理ステップのためのツールと見なされ、最先端の結果への道とは見なされなかった。
自己教師あり学習との関係
教師なし学習と自己教師あり学習の区別は、しばしば混乱の原因となる。自己教師あり学習は、教師なし学習のサブセットまたは現代的な再構成として説明されることがある。両者はラベルなしデータから動作するが、自己教師あり手法は、マスクされた単語やシーケンス内の次のトークンを予測するなど、データ自体から明示的で自動生成された予測タスクを構築し、人間がデータにラベルを付けることはないものの、教師あり学習と機構的に類似した明確な訓練信号を与える。この区別は重要である。なぜなら、クラスタリングや次元削減の意味での古典的な教師なし学習ではなく、自己教師ありの事前学習が、現代の大規模言語モデルや他の基盤モデルの訓練を支えているからである。
応用と重要性
教師なし学習は、探索的データ分析、顧客セグメンテーション、トピックモデリング、レコメンデーションシステムの事前学習、そして異常検知や不正検知パイプラインの構成要素として広く使用され続けている。深層学習において具体的には、その生成的部門であるGANや後の拡散モデルは、自然画像の空間などの複雑なデータ分布をモデル化してサンプリングすることを学ぶことで、現代のテキストから画像およびテキストから動画システムの基盤となった。
限界
教師なし学習には検証すべき正解がないため、その結果の評価は本質的に教師ありモデルの評価よりも難しく、主観的である。クラスタリング結果は、分類予測のように単純に「正しい」または「間違っている」とスコアリングできず、同じデータに異なる教師なしアルゴリズムを適用すると、意味が異なるが同様に妥当なグループ分けが生じる可能性がある。この曖昧さは、特に言語や画像生成におけるこの分野の最近の最大の成功が、古典的な教師なしクラスタリングや密度推定手法ではなく、より構造化された自己教師ありパラダイムに依存してきた理由の一部である。