読み方：メタがくしゅう

メタ学習【meta-learning】

概要

メタ学習とは、個々の課題を解く力だけでなく、学習の進め方そのものを身に付けさせる機械学習の手法。複数の異なる課題を経験させることで課題間に共通する規則を抽出し、未知の課題に対しても少量のデータで素早く適応できるモデルを構築することができる。

従来の機械学習では、画像認識や文章分類などの課題ごとに大量の訓練データを用意し、モデルを一から学習させる必要があった。これに対しメタ学習では、多数の課題を繰り返し経験させる過程で、新しい課題にも共通して役立つ知識や手順そのものを獲得させる。

例えば、犬と猫を見分ける学習や、花の種類、手書き文字を判別する学習など様々な分類課題を経験したモデルは、新たな対象を学習する際にも効率よく適応することができる。モデルのパラメータそのものではなく、パラメータがどう変化していくかという過程を学習の対象とするため、わずかな追加データでも高い性能を発揮しやすい。

代表的な手法には、少ない更新回数で新しい課題に適応できるよう初期パラメータを最適化する方法や、別のニューラルネットワークが学習の進め方を制御する方法、類似した事例を比較しながら判断する方法などがある。少ないデータ量で素早く学習を行う「フューショット学習」（few-shot learning）や、AIが自律的に状況変化に適応する「自動機械学習」（AutoML）の基盤技術として応用されている。

メタ学習と混同されやすい概念に「転移学習」がある。これは一つの課題で学習したモデルを別の関連課題で再利用する考え方で、メタ学習は複数の課題の学習過程そのものから汎用的な学習戦略を抽出する点で異なる。両者は組み合わせて用いられることも多く、訓練済みのモデルに少量のデータで転移学習とメタ学習を併せて行う手法も存在する。

また、大規模言語モデル（LLM）は膨大な事前学習によって様々な知識を獲得した上で、プロンプトに含まれる少数の例から回答方法を推測する能力を示す。この現象は「コンテキスト内学習」（ICL：In-Context Learning）として知られる。メタ学習に似た挙動だが、内部で従来のメタ学習の仕組みが直接動いているわけではない。

メタ学習はロボット工学での未知の環境における動作制御や、利用者の好みに応じた推奨システムの構築など、様々な分野で活用が進んでいる。医療画像の診断や希少言語の翻訳など、十分な学習データを集めにくい分野において、メタ学習は特に有効であると考えられている。近年ではAIエージェントが試行錯誤の結果を蓄積し、より効率的な問題解決の方法を身に付ける研究や、強化学習と組み合わせた手法の開発も進められている。

(2026.7.27更新)