マルコフ鎖モンテカルロ法（MCMC）は、解析的に計算することが困難な複雑な確率分布から、コンピュータを用いてランダムなサンプルを効率的に発生させ、統計的な推論を行うアルゴリズムの総称です。特にベイズ推論において事後分布を近似計算する手法として広く利用され、確率的プログラミングや画像処理などのAI分野で重要な役割を果たしています。
マルコフ鎖モンテカルロ法とは
MCMC（マルコフ鎖モンテカルロ法）とは、直接計算することが困難な複雑な確率分布から乱数を順次生成することで、数値的に平均や確率を近似計算する確率的アルゴリズムです。
詳しく解説
MCMCは「マルコフ鎖」と「モンテカルロ法」という2つの統計的概念を組み合わせた手法です。モンテカルロ法は多数の乱数（サンプル）を用いて数値を近似する計算手法であり、マルコフ鎖は現在の状態のみに基づいて次の状態が決まる確率過程のことです。通常のモンテカルロ法では目標とする複雑な分布から直接サンプルを得ることが難しいのに対し、MCMCでは目標の確率分布に従うサンプルを順次生成するマルコフ鎖を巧みに設計することで、高次元の計算領域でも効率的に近似計算を行うことができます。生成初期の不安定な期間（バーンイン期間）を過ぎると、生成されるサンプルが目標の分布（事後分布など）に収束します。AIや機械学習の分野では、特にベイズ推論を用いたパラメータ推定や潜在変数モデルの解析、不確実性を考慮した予測において極めて重要な位置を占めています。
具体例・使われ方
MCMCは、機械学習におけるベイズ推論の計算ツールとして多用されます。例えば、自然言語処理のトピックモデルであるLDAにおける潜在変数の推定や、医療AIにおいて予測の不確実性を評価する診断支援システムなどで活用されています。また、物理学の統計力学シミュレーションや、経済学におけるリスク評価の予測モデル構築にも幅広く利用されています。
似た用語との違い
通常のモンテカルロ法とMCMCの違いは、サンプルの生成過程にあります。普通のモンテカルロ法では各サンプルを独立して抽出しますが、高次元空間では効率が大きく低下します。一方、MCMCは直前のサンプルの情報に基づいて次のサンプルを連続的に発生させるマルコフ鎖を利用するため、複雑な高次元の事後分布であっても効率よく探索可能です。また、モデルのパラメータ最適化によく用いられる確率的勾配降下法などの決定論的・勾配ベースの手法とは異なり、MCMCは単一の最適解だけでなく解の「分布全体」を推定できる点が大きな違いです。
注意点
MCMCの注意点として、計算コストの高さと収束判定の難しさが挙げられます。生成された初期のサンプルは目標分布に達していないため棄却する必要があり、十分な精度を得るには多数の試行が必要です。また、マルコフ鎖が本当に対象の確率分布に収束したかを理論的に確実に証明することが難しいため、複数の診断指標を用いて慎重に評価する必要があります。巨大なデータセットや高次元すぎる深層学習モデルに対しては計算時間が膨大になるため、変分推論などの代替手法が選択されることもあります。