01 / UNDERSTAND
仕組みと使いどころ
対象の特徴量や構成要素を除いた条件でモデルを再学習し、元のモデルと性能を比較します。除去後に性能が大きく低下すれば、その要素が重要だった可能性が高いと判断できます。性能がほぼ変わらなければ、その要素の重要性は低い可能性があります。特徴量だけでなく、機械学習システムのサブシステム、データの前処理工程、利用する画像などの効果を調べる用途にも使えます。ただし、この実験で確認できるのは、設定した除去条件による性能の変化であり、それだけで要素の重要性を確定できるわけではありません。
02 / IN PRACTICE
Ablation Studyの活用例
たとえば、こんな場面で
画像を使うモデルの効果を調べるなら、画像を利用する条件と、画像を除いて再学習する条件を用意し、同じ性能指標で比較します。画像なしで性能が大きく下がれば、画像が予測に重要だった可能性があると考えられます。
03 / GOOD TO KNOW
使うときのポイント
比較では一度に調べる要素を明確にし、除去前後で同じ性能指標を確認します。結果は、どの要素を外し、再学習後の性能がどう変化したかと併せて解釈します。
参考資料
Glosario sobre aprendizaje automático | Machine Learning | Google for Developers （新しいタブで開きます）用語の説明や活用例に関連する参考資料です。
READ & LEARN
記事一覧を見る 用語を知ったら、活用を知る。
AI LABで、AIの動向や業務に取り入れるヒントを読む。