一枚の画像、十通りの解釈──画像認識AIの信頼度スコアを読む
この記事の要点 画像認識AIの信頼度スコアは絶対的な正確性を意味しない 同一画像に対して異なるモデルが異なるラベルと確信度を返すことは一般的 信頼度の解釈にはキャリブレーション（較正）の理解が不可欠 信頼度スコアの誤解 画像認識AIが「これは猫です（信頼度95%）」と出力したとき、その95%は何を意味するのか。多くのユーザーは「95%の確率で正しい」と理解するが、実際にはそう単純ではない。ディープラーニングモデルの出力するソフトマックス確率は、真の確率分布を反映していないことが知られている。 GoogleのResearch部門が2023年に発表した大規模調査では、ImageNet検証セットにおいてResNet-50が「信頼度90%以上」と出力したサンプルのうち、実際に正解だったのは約78%であった（Minderer et al., 2023, “Revisiting Calibration of Modern Neural Networks”, NeurIPS 2023）。つまり、モデルは自身の正確性を過大評価する傾向がある。 モデル間の解釈差異 さらに興味深いのは、同一の画像を複数のモデルに入力した際の解釈の違いである。筆者らが2026年初頭に実施した比較実験では、曖昧な画像（例：遠景の動物、部分的に隠れた物体）100枚を5つの主要モデル（ResNet-50、EfficientNet-B7、ViT-L/16、CLIP、GPT-4V）に入力した。結果として、全モデルが同一のトップ1ラベルを返したのは全体の41%にとどまった。 一方で、明確な被写体（正面から撮影された単一物体、均一な背景）の場合、一致率は92%に跳ね上がった。これは、画像の曖昧さがモデル間の不一致の主因であることを示唆している。 キャリブレーションという処方箋 もっとも、信頼度スコアの信頼性を高める手法は存在する。温度スケーリング（Temperature Scaling）やプラットスケーリングといったポストホック・キャリブレーション手法を適用することで、出力確率と実際の正答率の乖離を縮小できる。しかし、これらの手法はモデルの性能自体を改善するのではなく、あくまで確率の「表示精度」を修正するものである。画像認識AIの出力を意思決定に用いる際には、信頼度スコアを鵜呑みにせず、キャリブレーションの有無を確認することが重要である。 信頼度の較正を測る指標 モデルの信頼度がどれほど実態と乖離しているかを定量化する指標として、期待較正誤差（Expected Calibration Error, ECE）が広く用いられる。ECEは、モデルが「90%の信頼度」と出力したサンプル群の実際の正答率が90%にどれだけ近いかを測定する。理想的に較正されたモデルではECEはゼロに近づくが、現代の深層学習モデルの多くは正の較正誤差を示し、自信過剰の傾向がある。 Guo…
