距離学習（Metric Learning）でデータの「相性」を数値化！初心者向け徹底ガイド

2026年2月1日 2026年2月1日山崎講師

山崎講師

こんにちは。ゆうせいです。

突然ですが、あなたは「似ているもの同士を自動でグループ分けしたい」と思ったことはありませんか？例えば、大量にある写真の中から、特定の人の顔だけを集めたり、好みが似ているユーザーに商品を勧めたりする技術。これらを支えているのが、今回ご紹介する距離学習という魔法のような技術です。

距離学習って一体なに？

距離学習とは、コンピュータに「データ同士の距離」を賢く計算させるための手法です。

といっても、定規で長さを測るわけではありません。AIの世界では、画像やテキストなどのデータを数値の羅列（ベクトル）として扱います。距離学習の役割は、似ているデータ同士は近くに、似ていないデータ同士は遠くに配置されるように、計算ルールを自ら学習させることにあるのです。

ここで、一つ専門用語を覚えましょう。

特徴量空間（とくちょうりょうくうかん）

これは、データを点としてプロットした「仮想の地図」のようなものです。

例えば、果物の「甘さ」と「酸っぱさ」を数値にして、グラフの上に点を打つと想像してください。リンゴと梨は近い場所に、レモンは遠い場所に配置されますよね。この地図そのものを特徴量空間と呼びます。

距離学習は、この地図をグニャリと歪ませたり引き伸ばしたりして、正解に近い配置を作り出す作業なのです。

なぜ普通の計算じゃダメなの？

「わざわざ学習させなくても、算数で距離を測ればいいんじゃない？」と感じるかもしれません。

確かに、ピタゴラスの定理でおなじみのユークリッド距離という計算方法があります。

二つの点 $(x_1, y_1)$ と $(x_2, y_2)$ の距離を求める式は、

$\sqrt{(x_1 - x_2)^2 + (y_2 - y_1)^2}$

となります。

しかし、現実のデータは複雑です。顔写真の場合、たった1ピクセル色が違うだけで、従来の計算では「全然違う人」と判断されてしまうことがあります。だからこそ、AIに「どこが重要な違いなのか」を教え込む距離学習が必要不可欠なのです。

距離学習のメリットとデメリット

どんな技術にも得意・不得意があります。しっかり理解しておきましょう。

メリット

未知のデータに強い：一度「似ているとは何か」を学べば、訓練データにいない新しい人の顔でも正しく判別できます。
少ないデータで運用可能：分類したい種類（クラス）が膨大にあっても、少量のサンプルで高い精度を発揮します。

デメリット

計算コストが高い：データ同士のペアを作って比較するため、学習に時間がかかる場合があります。
学習の難易度：適切な「似てなさ」の基準を設定するのが難しく、調整にコツがいります。

距離学習の代表的な手法：トリプレットロス

ここで、距離学習で最も有名な手法の一つであるトリプレットロス（Triplet Loss）を解説します。

これは、3つのデータを1組にして学習する方法です。

基準となるデータ（アンカー）
アンカーと同じ種類のデータ（ポジティブ）
アンカーとは違う種類のデータ（ネガティブ）

この3つを同時に見せて、AIにこう命じます。

「アンカーとポジティブの距離を縮めろ！そして、アンカーとネガティブの距離を思いっきり引き離せ！」

数式で表すと、以下のようになります。

アンカーとポジティブの距離を $d(a, p)$ 、アンカーとネガティブの距離を $d(a, n)$ としたとき、

$d(a, p) + \alpha < d(a, n)$

という関係になるように学習を進めます。

この $\alpha$ はマージンと呼ばれ、どれくらい余裕を持って引き離すかを決める数値です。

距離学習のバリエーション：目的に合わせた使い分け

トリプレットロス以外にも、距離学習にはユニークな手法がたくさんあります。どれも「データの距離をどう定義するか」という工夫が詰まっていて面白いですよ。代表的なものをいくつか見ていきましょう！

ペアワイズロス（Contrastive Loss）

トリプレットロスが3つのデータを比較するのに対し、ペアワイズロスはシンプルに2つのデータを比較します。

同じグループの2つなら、距離を $0$ に近づける。
違うグループの2つなら、設定した距離 $m$ よりも遠ざける。

非常に直感的で分かりやすい手法です。まるで磁石のプラスとマイナスのように、同じもの同士をくっつけ、違うもの同士を反発させるイメージですね。

センターロス（Center Loss）

これは、クラス（グループ）ごとに「中心点」を決めてしまう手法です。

それぞれのデータが、自分のグループの中心点 $c$ に向かってギュッと集まるように学習します。

$\sum_{i=1}^{n} (x_i - c)^2$

この計算により、同じグループ内のバラつきを最小限に抑えることができます。クラスの数が非常に多い顔認証システムなどで、トリプレットロスと組み合わせて使われることがよくあります。

アークフェイス（ArcFace）

最近の画像認識で非常によく使われる、少し高度な手法です。

これまでの手法が「直線距離」を気にしていたのに対し、アークフェイスは「角度」に注目します。データを半径 $1$ の球面上に並べたと想像してください。

$\cos(\theta + m)$

このように、角度 $\theta$ にマージン $m$ を加えることで、グループごとの境界線をより厳格に引くことができます。地図上の距離ではなく、方位磁石の角度で「似ている度合い」を測るような、とてもスマートなやり方です。

手法を比較してみよう

どの手法を使うべきか迷ったときは、以下の表を参考にしてみてください。

手法名	比較する数	特徴	向いている用途
ペアワイズロス	2つ	構造が単純で実装しやすい	基本的な二値分類
トリプレットロス	3つ	相対的な関係を学べる	高精度な検索システム
センターロス	中心点	凝集度（まとまり）を高める	クラス数が多い顔認証
アークフェイス	角度	境界線をはっきり分ける	最新の超高精度な認識

これから何を学べばいい？

距離学習の世界に興味が湧いてきましたか？もし、さらに深く学びたいのであれば、以下のステップをおすすめします。

コサイン類似度を学ぶ：角度を使って似ている度合いを測る、もう一つの重要な指標です。
Pythonで実装してみる：PyTorchやTensorFlowといったライブラリを使えば、意外と簡単に実験できます。
深層距離学習（Deep Metric Learning）を調べる：最新のAIがどのように画像を認識しているのか、その深淵を覗いてみてください。

一歩ずつ進んでいけば、あなたもデータの「心の距離」を読み解くスペシャリストになれるはずです。

セイ・コンサルティング・グループでは新人エンジニア研修のアシスタント講師を募集しています。

投稿者プロフィール

山崎講師代表取締役

セイ・コンサルティング・グループ株式会社代表取締役。
岐阜県出身。
2000年創業、2004年会社設立。
IT企業向け人材育成研修歴業界歴20年以上。
すべての無駄を省いた費用対効果の高い「筋肉質」な研修を提供します！
この記事に間違い等ありましたらぜひお知らせください。

学生時代は趣味と実益を兼ねてリゾートバイトにいそしむ。長野県白馬村に始まり、志賀高原でのスキーインストラクター、沖縄石垣島、北海道トマム。高じてオーストラリアのゴールドコーストでツアーガイドなど。現在は野菜作りにはまっている。