Contrastive Loss (コントラスティブ損失)
解説
Contrastive Lossは、ディープラーニングにおいて「2つのデータが似ているか、似ていないか」を学習させるための損失関数です。主に「距離学習（Metric Learning）」と呼ばれる分野で使われます。
「ゴム紐」と「バリア」のイメージ
この損失関数の動きは、物理的な力に例えると直感的に理解できます。
- 同じカテゴリのペア（正例）：
お互いに「ゴム紐」で繋がれていると考えてください。距離が離れていると、ゴムが縮もうとする力（損失）が働き、2つのデータを近くに引き寄せます。 - 違うカテゴリのペア（負例）：
お互いに反発し合いますが、ある一定の距離（マージン）まで離れると、それ以上は反発しなくなります（損失が0になる）。
「とにかく遠くへ行け！」ではなく、「とりあえずこの半径（マージン）より外に出てくれればそれでいい」という、効率的な学習を行います。
顔認証での活用（シャムネットワーク）
最も代表的な応用例は「顔認証システム」です。
同じ人の顔写真は近くに、別人の顔写真は遠くに配置されるように学習することで、未知の顔写真が入力されたときも、登録済みデータとの距離を測るだけで本人確認が可能になります。
G検定対策
出題ポイント
- 目的：「分類（これは犬だ）」ではなく、「識別（これはAと同じか？）」を行うタスクに適している。
- 仕組み：似ているペアの距離を最小化し、似ていないペアの距離を（マージンを超えるまで）最大化する。
- キーワード：「距離学習」「マージン」。
よくあるひっかけ問題
- × 似ていないデータ同士は、距離が離れれば離れるほど良いとし、無限に遠ざけようとする
（解説）違います。ある一定の距離（マージン）以上に離れれば、それ以上遠ざける必要はないと判断し、損失はゼロになります。これにより、特徴量空間が破綻するのを防ぎます。 - × Contrastive Lossは、1枚の画像に対して計算される
（解説）必ず「2つのデータ（ペア）」を入力とし、その関係性を学習します。（※ちなみに3つのデータを使う場合は「Triplet Loss」と呼ばれます）。
