4. データ前処理
4.7 ラベル付け方法
ラベル付けとは、集めたデータひとつひとつに「これは何か」「どんな状態か」という答え（タグ）を与える作業である。機械学習では、この答えが学習の“正解”になり、モデルがパターンを覚える道しるべになる。画像なら「猫/犬」、音なら「正常/異常」や「異音の種類」、テキストなら「肯定/否定」など、用途に応じて意味のあるラベルを定義する。正しく、一貫して付けられたラベルは学習の質を決めるため、丁寧な設計と運用が欠かせない。[1][2][3]
最初に決めるのはラベル設計である。目的に直結する区分（例：正常/異常、異常の種類別、重大度など）を定義し、迷いが生じない具体的な基準をガイドラインに落とす。例えば「ベアリングの異音」は、高周波の連続音と衝撃性の断続音を分ける、騒音や周囲音が混じる場合の優先判定を定める、といった具合に判断の手順を言語化する。良いラベル設計は再現性が高く、人が変わっても同じ結果になる。逆に、曖昧な定義はデータのブレ（ラベルのゆらぎ）を生み、学習を不安定にする。[3][1]
ラベル付けの手段は大きく2つに分かれる。1つは人が聞く・見る・読むなどして手で付ける手動アノテーション、もう1つはソフトウェアやモデルが候補を生成し、人が確認・修正する半自動（自動ラベリングを含む）である。手動は時間がかかるが信頼性を担保しやすい。半自動は大量データの効率が高いが、出力の品質を人が監督する前提が重要になる。どちらにせよ、ルールと品質管理が鍵であり、レビューやダブルチェック、少数の「金標準（ゴールド）」データでの監視を組み合わせると安定する。[4][1][3]
実務のベストプラクティスは次の通りである。まず、明確なラベリングガイドを用意し、具体例・反例・境界事例を載せる。次に、複数アノテーターで小規模に試し、合意度（どれくらい一致するか）を測ってルールを磨く。さらに、定期的な品質監査（抜き取り再判定・相互レビュー）で一貫性を維持する。大量データでは、機械が仮ラベルを付け、人は確信度の低いサンプルに注力する“人間参加のアクティブラーニング”を使うと、コストと時間を削減できる。[1][4]
異常検知の現場には特有の事情がある。異常データは希少で、種類も多様なため、すべての異常を網羅的に集めることは難しい。このため、方法選びは「どこまで確かなラベルを用意できるか」に依存する。代表的な選択肢は次の3つである。1) 教師あり（正常/異常を明示的に付ける）：精密な分類が可能だが、異常データ収集とラベリングの負担が大きい。2) 正常のみラベル（正常だけ厳密、異常は未ラベル扱い）：境界学習やワンクラスSVMなどで逸脱を検知でき、希少な異常をカバーしやすい。3) 弱い教師あり（正例または疑わしい例だけ活用、未ラベル多数）：ラベルの少なさを補いながら性能を引き出すための枠組みで、PU学習などが知られている。[5][6][7]
「何を“正”としてラベルするか」も重要である。多くの現場では、正常状態の作業音・運転音は豊富に集めやすい。まず正常データに「正常」のラベルを慎重に付け、正常モデルを作り、逸脱を異常として扱う設計が現実的だ。異常が少しでも集まる場合は、正例として明示し、閾値の調整や誤警報低減に役立てる。どうしても異常ラベルが極めて少ない、または曖昧なときは、正例（正常）+未ラベルの組合せで学ぶPU学習などが候補になる。[6][7][5]
人手の工夫として、アクティブラーニングが有効である。モデルが「不確か」と判断したデータだけ人が優先的に確認し、ラベルを追加する。これにより、重要な境界データに素早く人の判断を投入でき、少ない人手で性能を底上げできる。産業向けのツールでは、ラベル付けキューの自動生成や確信度に基づく自動/半自動ラベルの切り替えが組み込まれ、データ量が多いほど有効性が上がるとされる。[4][1]
自動ラベル付けには注意点がある。機械が誤った仮ラベルを大量生産すると、学習が誤った方向に強化される。自動はあくまで候補生成と割切り、人がレビューするサンプル設計（閾値、分布のバランス）や品質指標（誤り率の監視、再学習の頻度）を運用に組み込むことが肝心である。また、クラス不均衡（正常が大多数、異常が極少）では、ラベル済みデータの分割と評価方法も偏りに強い設計（層化分割など）が必要になる。[1][4]
品質管理では、以下をそろえる。- 定義：ラベルの定義、具体例、NG例、衝突時の優先順位。- 手順：誰が、いつ、どうやって、どのツールで付けるか。- 記録：誰が付けたか、迷った点、根拠のメモ。- 監査：二重ラベリングの割合、合意率、再教育の計画。- 維持：新しい事例でガイドを更新し、過去データの再ラベル基準も決める。ラベルの一貫性はモデルの一貫性に直結するため、運用ドキュメントと定期レビューは欠かせない。[8][3][1]
実装時の流れを具体化する。1) 目的を明文化し、ラベル粒度を決める（例：正常/異常、異常の種類、重大度）。2) パイロットアノテーションで合意度を測り、ガイドを磨く。3) 正常データの厳密ラベルから始め、必要に応じて異常候補を追加収集する。4) アクティブラーニングや自動ラベル補助を導入し、人は難例に集中する。5) 層化分割やグループ分割で評価データの偏りを抑え、継続運用に備える。[5][4][1]
データタイプごとの要点も押さえる。- 画像（外観検査）：境界線の曖昧さを回避するため、領域塗りつぶし（セグメンテーション）か、矩形（検出）か、分類のみかを用途で選ぶ。微小欠陥は人の判断のぶれが出やすいので、金標準の作成とダブルアノテーションが有効。- 音（設備音・異音）：ラベルは「区間×種類×強度」などの構造にし、時間窓の切り方をガイドに明記する。スペクトログラムの可視化に基づく判定基準（帯域、持続時間）を定義すると一貫性が上がる。- テキスト（点検記録）：辞書やルールでの前処理と、人の意味解釈の併用。否定・数値・単位の扱いを統一する。[2][3][5][1]
ラベル不足への対処として、弱い教師あり学習の選択肢を覚えておくとよい。PU学習（Positive–Unlabeled）は、正例と未ラベルから分類器を学ぶ考え方で、未ラベルに正例が混じる現実でも理論的に扱える枠組みが整備されている。正例（たとえば明らかな異常のみ）を少量でも良質に集め、未ラベル（多くは正常、時に未知の異常を含む）を併用して学習すると、ラベル付けコストと性能の折り合いを取りやすい。また、正例の活用を最適化する弱教師ありの発表例もあり、少数ラベルでも不正・異常に焦点を当てた検出を実現する工夫が提案されている。[9][7][6]
最後に、現場運用の勘どころをまとめる。- 小さく始めて、合意度を測り、ガイドを磨く。- 正常の定義を厳密にし、正常データの質を高める。- 異常は確実な例から少しずつ追加、曖昧なものは「未確定」ラベルで保留し、後日再評価する。- アクティブラーニングで難例を優先し、人の時間を重要サンプルに投下する。- 自動の提案は人が監督し、誤りのフィードバックで逐次改善する。- 層化やグループの分割で評価バイアスを避け、精度の見積りを安定させる。- ラベル変更の履歴と根拠を残し、再現性を担保する。[4][5][1]
このように、ラベル付けはモデル精度の根本を支える工程であり、明確な定義、一貫した運用、品質管理、そして現実的なコスト配慮（アクティブ/半自動/弱教師あり）の組み合わせで、限られた時間と資源の中でも信頼できる教師データを作ることができる。[3][1][4] [1] https://cloud.google.com/use-cases/data-labeling?hl=ja
[2] https://www.ibm.com/jp-ja/topics/data-labeling [3] https://www.ultralytics.com/ja/glossary/data-labeling [4] https://docs.aws.amazon.com/ja_jp/sagemaker/latest/dg/sms-automated-labeling.html [5] https://tebiki.jp/genba/useful/anomaly-detection/ [6] https://www.jstage.jst.go.jp/article/pjsai/JSAI2023/0/JSAI2023_4U3GS101/_pdf [7] https://www.jstage.jst.go.jp/article/jsaisigtwo/2023/FIN-032/2023_96/_pdf/-char/en [8] https://jp.lotus-qa.com/blog/ensure-data-labeling-quality/ [9] https://speakerdeck.com/cygames/bu-zheng-jian-zhi-woke-neng-tosururuo-jiao-shi-arixue-xi-shou-fa-devnet-falseshao-jie-peng-da-natetaniqian-muyi-chang-wozui-xiao-xian-falseraherinkutejian-tukeruji-shu [10] https://macgence.com/ja/blog/data-labeling-a-comprehensive-guide/ [11] https://superb-ai.com/ja/resources/blog/a-primer-on-data-labeling-approaches-to-building-real-world-machine-learning-applications [12] https://www.anlp.jp/proceedings/annual_meeting/2025/pdf_dir/Q8-10.pdf [13] https://media.emuniinc.jp/2024/11/29/anomaly-detection-model/ [14] https://products.sint.co.jp/aisia-ad/blog/what-is-anomaly-detection [15] https://qiita.com/shinmura0/items/1af83f5a5857d50cabc2 [16] https://www.science.co.jp/annotation_blog/37488/ [17] https://qiita.com/kotai2003/items/6b7170b2fb145d05e0ff [18] https://jp.lotus-qa.com/blog/%E6%A9%9F%E6%A2%B0%E5%AD%A6%E7%BF%92%E5%90%91%E3%81%91-%E3%83%87%E3%83%BC%E3%82%BF%E3%82%A2%E3%83%8E%E3%83%86%E3%83%BC%E3%82%B7%E3%83%A7%E3%83%B3-%E3%81%AE%E3%82%AC%E3%82%A4%E3%83%89/ [19] https://www.tomomi-research.com/archives/3561 [20] https://aismiley.co.jp/ai_news/ai-learning-data-utilization-guide/※本ページは、AIの活用や研究に関連する原理・機器・デバイスについて学ぶために、個人的に整理・記述しているものです。内容には誤りや見落としが含まれている可能性もありますので、もしお気づきの点やご助言等ございましたら、ご連絡いただけますと幸いです。
※本ページの内容は、個人的な学習および情報整理を目的として提供しているものであり、その正確性、完全性、有用性等についていかなる保証も行いません。本ページの情報を利用したこと、または利用できなかったことによって発生した損害（直接的・間接的・特別・偶発的・結果的損害を含みますが、これらに限りません）について、当方は一切責任を負いません。ご利用は利用者ご自身の責任でお願いいたします。
