エネルギーベースモデル（EBM）は、取り得る各データや状態に対して「エネルギー」と呼ばれるスカラー値を割り当て、エネルギーが低い状態ほど自然で妥当であるとみなして確率分布を表現する柔軟な機械学習フレームワークです。
エネルギーベースモデルとは
一言でいうと、各データに「不安定さ（エネルギー）」のスコアを割り当て、もっとも自然な状態を見つけ出すことで複雑な確率分布を表現する機械学習モデルです。
詳しく解説
エネルギーベースモデル（EBM）は、正規化定数の計算を必要とせずに複雑なデータの確率分布をモデル化できる強力な手法です。通常の確率モデルでは確率の総和が1になるように複雑な計算を行いますが、EBMでは非負のエネルギー関数を学習させます。この仕組みにより、画像生成や異常検知などの分野において、データの背後にある構造を柔軟に捉えることができるため、近年ディープラーニングとの組み合わせで再び注目を集めています。
具体例・使われ方
具体的な利用例としては、ノイズからリアルな画像を生成する画像生成タスクや、正常データと異常データのエネルギーの差を利用した外れ値検出（異常検知）、さらには自然言語処理における文の妥当性評価などが挙げられます。
似た用語との違い
多くの一般的な分類モデルや生成モデルが確率の総和を1にする「確率モデル」として設計されているのに対し、エネルギーベースモデルは規格化を強制しないエネルギー関数を用いる点が大きく異なります。これにより、学習や推論の自由度が高い一方で、計算上の特殊な工夫が必要になります。
注意点
エネルギーベースモデルの大きな課題は、学習時にエネルギー関数の分母にあたる正規化定数の計算が非常に困難である点です。そのため、マルコフ連鎖モンテカルロ法などの近似計算手法が必要となり、モデルの学習が不安定になったり計算コストが高くなったりする点に注意が必要です。