教師あり学習・教師なし学習・半教師あり学習・自己教師あり学習の違い

機械学習の概要と分類において、「教師あり学習」「教師なし学習」「半教師あり学習」「自己教師あり学習」は、データに対するラベル（正解）の有無や利用の仕方によって分類される重要な枠組みです。それぞれの違いについて詳しく説明します。

---

1. 教師あり学習（Supervised Learning）

特徴

• 入力データに対して正解ラベル（教師信号）が与えられているデータセットを用いて学習を行う。

• モデルは入力から正解を予測できるように学習する。

目的

• 分類（Classification）：例）メールがスパムか否か

• 回帰（Regression）：例）家の価格を予測

代表的アルゴリズム

• 線形回帰、ロジスティック回帰、決定木、サポートベクターマシン（SVM）、ニューラルネットワーク など

---

2. 教師なし学習（Unsupervised Learning）

特徴

• データにラベルが付いていない状態で学習する。

• データの構造やパターンを自動的に発見することが目的。

目的

• クラスタリング（Clustering）：データを似たもの同士に分ける

• 次元削減（Dimensionality Reduction）：特徴量を圧縮して可視化や前処理に使う

代表的アルゴリズム

• K-means、階層的クラスタリング、主成分分析（PCA）、t-SNE、自己符号化器（Autoencoder）など

---

3. 半教師あり学習（Semi-supervised Learning）

特徴

• 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て学習する。

• ラベル付きデータのみで学習するよりも、より高い精度を実現することが可能。

目的

• ラベル付けコストが高い現実の問題に対応しながら、教師あり学習の性能を引き出す。

手法の一例

• 教師あり学習の初期モデルでラベルなしデータの疑似ラベルを生成し、それを再利用して再学習する（自己訓練）

---

4. 自己教師あり学習（Self-supervised Learning）

特徴

• 明示的なラベルを必要とせず、データ自体から擬似的なラベルを生成して学習する手法。

• 特に**大規模な事前学習（pretraining）**において広く活用されている。

目的

• 事前学習を通じて表現学習（representation learning）を行い、下流のタスク（分類・回帰など）に活用する。

代表的手法

• 自然言語処理（NLP）におけるBERTやGPTでは、マスクされた単語を予測する「マスク言語モデル（MLM）」など。

• コンピュータビジョンでは、画像の一部を隠して復元させるなど。

---

比較まとめ表

---

以上の分類は、目的や利用可能なデータの性質に応じて使い分けられます。近年では、特に自己教師あり学習と半教師あり学習が注目されており、大規模データを活用する上で極めて重要な技術となっています。