最適輸送とは、ある確率分布を別の確率分布へ変化させる際に、コストを最小限に抑える方法を計算する数学の理論です。近年、機械学習や生成モデルの分野で、データ間の距離を測る有効な手段として広く応用されています。
最適輸送とは
一言でいうと、ある場所にある資源や確率の山を、別の場所の形へ最も効率よく（コストを最小にして）移動させるための数学的枠組みです。
詳しく解説
最適輸送は、18世紀のモジュペルに端を発し、その後カンボロフらによって現代的な数学の形に発展しました。AIや機械学習の文脈では、高次元な確率分布同士を比較したり、画像や文章などの複雑なデータを結びつけたりするために用いられます。特に、生成AIにおいて生成されたデータ分布と実際のデータ分布の差異を測るために、Wasserstein距離という概念が利用され、モデルの学習を安定させる重要な役割を果たしています。
具体例・使われ方
具体的な利用例として、生成モデルの学習におけるWasserstein距離の計算、異なる言語間での単語埋め込みの翻訳、あるいはスタイルの異なる画像のドメイン適応などが挙げられます。これにより、コンピュータが直感的な意味の近さを捉えて変換できるようになります。
似た用語との違い
従来のカルバック・ライブラー情報量（KLダイバージェンス）などと比較して、最適輸送は空間的な距離の概念を考慮できる点が異なります。そのため、二つの分布に重なりがない場合でも滑らかな距離を計算できるという優位性があります。
注意点
非常に強力な手法である一方、計算コストが非常に高いという課題が存在します。高次元なデータに対して厳密な解を求めようとすると膨大な計算量を要するため、エントロピー正則化などの近似アルゴリズムを組み合わせて実用的な速度にする工夫が不可欠です。
この解説は役に立ちましたか？誤りが含まれる場合はご報告いただけますと幸いです。
更新日時: 2026年9月24日 09:30