信頼度

機械学習や人工知能の分野では 信頼スコアは、モデルによる特定の予測が正しい可能性を表す数値である。 が正しい可能性を表す数値である。通常、0から1の間の確率（または0％から100％の間のパーセンテージ）として表現され、このスコアは、予測結果の確実性を定量化します。 スコアは、その出力に関する ニューラルネットワークの出力に関する確実性を定量化します。例えば 例えば、物体検出タスクにおいて、システムは は「猫」の存在を0.95の確信度で予測することができる。 これは、そのラベルの精度を強く信じていることを示す。これらのスコアは通常、モデルの最終層で 活性化関数 などの活性化関数を用いてモデルの最終層から導出される。 のような活性化関数を用いて最終層から導出される。

推論における信頼の役割

信頼度スコアは推論エンジンのワークフローの基本要素である。 推論エンジンのワークフローの基本要素である。これにより開発者は 閾値処理として知られるプロセスである。特定の 信頼度のしきい値を設定することで、可能性のあるすべてのオブジェクトを識別すること（高いリコール）と、識別されたオブジェクトが正しいこと（高いリコール）の間のトレードオフを効果的に管理することができます。 と、識別されたオブジェクトが正しいことを保証すること（高精度）のトレードオフを効果的に管理することができます。

実用的なモデルの展開では、生の予測 はノイズや確率の低い検出を含むことが多い。そのため 非最大抑制（NMS）のような技術は 信頼度スコアを利用して冗長なオーバーラップ・ボックスを排除し、最も高い確率を持つ検出だけを残します。 これにより、ユーザに提示される最終出力がクリーンで実用的であることが保証されます。

次の例は、推論中に信頼しきい値を適用する方法を示している。 Ultralytics YOLO11:

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")

# Run inference on an image with a confidence threshold of 0.6 (60%)
# This filters out any detections with a confidence score lower than 0.6
results = model.predict("https://ultralytics.com/images/bus.jpg", conf=0.6)

# Display the count of objects detected above the threshold
print(f"Detected {len(results[0].boxes)} objects with high confidence.")

実際のアプリケーション

信頼度スコアの有用性は、コンピュータ・ビジョンやAIソリューションを展開するほぼすべての業界に及んでいる。 コンピュータ・ビジョンとAIソリューションを展開する事実上すべての業界に広がっています。

• 自律システム：自律走行車の開発では 自律走行車の開発では、安全性が最優先される。 知覚システムは、カメラとLiDARからのデータを融合するために信頼度スコアを使用します。ビジョンモデルが障害物を検出した場合 を検出した場合、システムは緊急ブレーキを作動させる前にレーダー・データと照合する。この 車載AIにとって極めて重要である、 誤検知による危険なファントム・ブレーキを防ぐことができます。 を防ぐことができます。
• 医療診断医療画像解析において 医療画像分析では、AIツールが レントゲンやMRIの潜在的な異常にフラグを立てることで、医師を支援する。医療における ヘルスケアにおけるAIのために設計されたシステムは する。高信頼度で検出された病理は、放射線科医による即時レビューのために優先される。 一方、信頼度の低い領域は、単に「二度見」するために強調表示されるかもしれない。 一方、確信度の低い領域は、単に "二度見 "するためにハイライトされるかもしれない。 として機能する。

信頼度と正確さ・精度との比較

実務家にとって、「信頼性」を標準的な評価指標と区別することは極めて重要である。 評価指標と区別することが重要である。 を区別することが重要である。

• 信頼度と精度： 精度は、データセット全体におけるモデルの全体的な正しさを測る。 例えば、「モデルの精度は90%です」）。対照的に、確信度は 予測に特化した値です（例：「この特定の画像は90％犬であると確信している」）。モデルは モデルは一般的に正確ですが、それでも難しい例では低い信頼度を出力します。
• 信頼度と精度： 精度は、実際に正しかった予測のうち を計算する。関連はあるが、以下の場合、信頼度スコアが高くても高精度が保証されるわけではない。 モデルがオーバーフィッティングに苦しんでいたり、較正が不十分な場合 較正が不十分である。
• 較正：キャリブレーション：信頼度スコアが真の正しい確率を反映している場合、モデルは「よくキャリブレーションされている」とみなされる。 モデルは「よく較正されている」とみなされる。例えば 信頼度0.8で行われたすべての予測のうち、約80%が実際に正に一致するはずである。

モデルの信頼性向上

有効なオブジェクトに対する信頼度が一貫して低いモデルは、学習データに問題がある可能性がある。 を示す可能性がある。これを改善する戦略には以下が含まれる。 モデルをより多くの モデルをより多様な照明や方位にさらす、あるいは アクティブ・ラーニングを採用し、アノテーションと再学習を行う。 特定の「エッジケース」において、モデルが現在不確実である。多様で高品質なデータセットを確保することは ユーザーが信頼できる強固なシステムを構築するために不可欠である。