一般化ギャップとは、AIモデルの「学習データに対する性能」と「未知のテストデータに対する性能」の差を指す概念です。このギャップが大きい場合、モデルが特定のデータに過剰に適合する過学習が疑われます。AI開発では、一般化ギャップを小さく抑え、未知のデータでも高い精度を発揮するモデルを構築することが重要です。
一般化ギャップとは
一般化ギャップとは、AIモデルが学習に用いた訓練データの性能と、未知のテストデータの性能との間にある精度の開きを指す指標です。
詳しく解説
機械学習モデルの目的は、与えられた訓練データを完璧に暗記することではなく、未知のデータに対しても正しく予測できる「一般化能力」を獲得することです。しかし、モデルの複雑さが高すぎる場合や訓練データが不足している場合、モデルは訓練データ特有のノイズまで学習してしまいます。この結果、訓練データでの評価指標（正解率や損失など）は非常に良好であるにもかかわらず、テストデータに対する性能が大きく低下します。この性能の差が一般化ギャップです。一般化ギャップを計測することで、モデルが過学習を起こしていないか、未知のデータに十分対応できるかを客観的に評価できます。
具体例・使われ方
画像認識モデルの構築において、1万枚の訓練データでの正解率が99%に達している一方で、用意した未知のテストデータでの正解率が70%にとどまる場合、一般化ギャップは29%となります。このように、訓練時と本番運用（テスト時）の性能の乖離を把握する場面で具体的に観察されます。開発チームは一般化ギャップを縮めるため、データの追加収集や正則化技術の導入といった対策を行います。
似た用語との違い
過学習は、モデルが訓練データに過剰に適合し、未知のデータへの予測精度が落ちている現象そのものを指します。これに対して一般化ギャップは、訓練データの性能とテストデータの性能の差という「測定可能な数値や量的な開き」そのものを指します。つまり、過学習の度合いを客観的に可視化・計測するための尺度のひとつが一般化ギャップです。
注意点
一般化ギャップが小さいからといって、必ずしもモデルの全体的な性能が高いとは限りません。例えば、訓練データとテストデータの両方で正解率が50%と低い場合、一般化ギャップは0%になりますが、これはモデルの能力自体が不足している「未学習」の状態です。一般化ギャップの評価を行う際は、テストデータでの評価指標自体が十分な水準に達しているかも同時に確認する必要があります。