アクティブラーニングにおける相転移のメカニズム駆動理論
本研究は、アクティブラーニング（AL）の予算体制を汎化の支配的メカニズムのシフトとして再解釈する枠組みを提案する。PACスタイルのリスク要素を動的な相互作用項として再解釈することで、支配権の移行が構造的に不可避であることを証明し、データ駆動、遷移、モデル駆動の3つのフェーズを特定する。実験により、AL効率は戦略の帰納的バイアスとアクティブなボトルネックの整合性に依存し、自己教師あり表現はより早期に遷移することが示され、表現品質の重要性が強調される。この研究は、遷移を認識する次世代ALアルゴリズムの統一フレームワークを提供する。
アクティブラーニング（Active Learning, AL）は、最も価値のある未ラベルデータを選択的にラベル付けすることでコストを削減する手法であるが、その性能は予算に大きく依存する。従来の予算体制はヒューリスティックなラベル数で定義されることが多く、データセットやアーキテクチャ間で一般化できない。ECCV 2026で採択された本論文は、予算体制を汎化の支配的メカニズムのシフトとして再解釈するメカニズム駆動理論を提案し、ALダイナミクスに新たな視点を提供する。
研究では、PAC学習理論のリスク要素を動的な相互作用項として再解釈し、支配権の移行が構造的に不可避であること、すなわち汎化の「移動ボトルネック」が存在することを証明した。この理論を実装するため、測定可能なプロキシとセグメント回帰手順を用いて、データ駆動フェーズ（初期、データ分布が支配的）、遷移フェーズ（中期、データとモデルが同等）、モデル駆動フェーズ（後期、モデル事前分布が支配的）の3つの相を特定した。この分類は、代表サンプリング、カバレッジサンプリング、不確実性サンプリングが異なる段階で優れているという長年の観察を説明する。
複数の自然画像および医用画像データセットでの実験により、フレームワークの有効性が確認された。AL効率はサンプリング戦略の選択だけでなく、戦略の帰納的バイアスが現在のアクティブボトルネックと整合するかどうかに依存する。例えば、データ駆動フェーズでは代表性を追求する戦略が効果的であり、モデル駆動フェーズでは不確実性サンプリングが優れる。さらに、自己教師あり学習（SimCLRなど）で訓練された表現は、より早期にモデル駆動フェーズに移行することが示され、高品質な表現がALプロセスを加速することを示唆している。
本研究の重要性は、これまで別々に見えていた経験的観察を統合する統一的な数学的枠組みを提供し、遷移を認識する（transition-aware）ALアルゴリズムの設計に理論的基盤を与える点にある。今後、研究者は現在のフェーズのボトルネックに合わせてサンプリング戦略を動的に調整できるようになり、ラベル付け効率の大幅な向上が期待される。論文はECCV 2026で採択され、コードとデータセットが公開されており、再現可能な研究としてコミュニティに貢献している。