ドメイン整合性とは、訓練データが存在するソースドメインと、未見のデータが存在するターゲットドメインの間におけるデータの分布やルールの不一致を解消し、機械学習モデルの予測性能を維持する性質を指します。
ドメイン整合性とは
一言でいうと、異なる環境間でも機械学習モデルが正しく機能するようにデータの一貫性を保つ仕組みや性質のことです。
詳しく解説
機械学習モデルを構築する際、学習に用いたデータ空間と実際に運用する環境のデータ空間が異なると、モデルの精度が著しく低下するドメインシフトという問題が生じます。ドメイン整合性は、この空間のズレを最小限に抑え、未知のターゲットドメインに対しても安定した汎化性能を発揮させるために重要視されます。主に転移学習やドメイン適応の分野において、特徴量空間の分布を一致させるアルゴリズムの設計や評価指標として活用されます。
具体例・使われ方
例えば、日中の明るい画像だけで学習した自動運転の画像認識AIが、夜間や悪天候という異なるドメインの環境でも正確に歩行者を認識できるようにするため、ドメイン整合性を考慮した特徴量変換を行います。また、医療分野において、ある病院の電子カルテデータで学習したモデルを、機器の異なる別の病院のデータに適用する際にもこの整合性が求められます。
似た用語との違い
混同されやすい概念として汎化性能があります。汎化性能は同一のデータ分布における未知データへの対応力を指すのに対し、ドメイン整合性はデータ分布そのものが変化する異なる環境間での一貫性に焦点を当てています。
注意点
ドメイン整合性を無理に高めようとすると、ソースドメイン固有の重要な情報まで失われてしまい、かえってモデル本来の予測性能が低下するトレードオフが存在します。また、すべての環境変化を完全に網羅することは困難であるため、適用限界を正しく見極める必要があります。