客観時間と主観時間をAIに分離学習させる方法|独立損失最適化の設計ガイド

「あの出来事は長く感じた」「気づいたら時間が過ぎていた」――人間が体験する時間は、時計が刻む時間と必ずしも一致しません。心理学の知見では、計測された時間と主観的な時間の長さは区別され、主観的時間は感情や覚醒度、出来事の区切りといった主体的状態に大きく影響されることが整理されています。機械学習で時系列データを扱う際、この「客観時間(objective chronology)」と「主観的な時間歪み(subjective distortion)」を単一の損失関数に押し込めると、相反する要請が一つの表現空間で衝突する可能性があります。本記事では、両者を別々の学習対象として定義し、独立した損失で最適化するアプローチを、理論的根拠から損失設計、モデル構成、最適化戦略、評価計画まで順に解説します。

なぜ客観時間と主観時間を分けて学習するのか

心理学が示す「二つの時間」の違い

時間評価の研究では、ある時点から別の時点までの長さを見積もる際に客観的な単位が用いられる一方、主観的な時間の長さは被験者の状態によって大きく変動することが知られています。さらに近年の記憶研究では、同じ客観的な時間差であっても、出来事の「境界」をまたぐペアは主観的により離れていたと記憶されうる、という主観的時間拡張の現象が報告されています。つまり、客観時間は「世界時計」の問題であり、主観的歪みは「イベントモデル」の問題として、性質の異なる対象だと捉えられます。

単一損失に混ぜることの問題点

マルチタスク学習の文献では、複数の目的を単純な重み付き和で最適化する方法は、タスク同士が競合しない場合にしか素直に機能せず、実際には勾配の衝突が性能劣化を招くことが示されています。客観順序の再現と主観歪みパターンの類似性学習は、まさに競合しうる二目的です。したがって「分けて定義し、分けて測り、分けて最適化し、最後に勾配レベルで調停する」設計が、心理学的にも最適化理論的にも一貫した選択肢になります。時系列予測の分野でも、DILATEのように誤差を形状項と時間歪み項に分離する先行研究があり、この分離の考え方を「客観順序と主観歪みの分離表現学習」へ一般化することに新規性があります。

独立損失の設計|何をどう定式化するか

客観時間(chronology)の損失

客観時間側は、二つの時刻片の前後関係を保つ順序学習として定式化できます。具体的な損失候補には、ノイズの多い相対順序教師に強いpairwise ranking、実装が容易なordinal分類、ラベルなし事前学習に向くCPC/InfoNCE系の未来予測などがあります。重要なのは、chronologyを「強いアンカー」として位置づける点です。形状整列系の損失が常に性能向上をもたらすわけではないという報告もあり、pointwiseなアンカーなしでは最適化が不安定になる可能性が指摘されています。

主観的歪み(subjective distortion)の損失

主観的歪みは、客観時間を主観時間へ写す単調な写像(warp)として表現できます。傾きが大きい区間ほど主観的に「長く」感じられ、小さい区間は圧縮される、という直感に対応します。損失候補としては、warpプロファイルの回帰、時間伸縮に頑健なSoft-DTW、整列全体をカーネル化するGAK、類似・非類似ペアから学ぶtriplet/InfoNCE、そして表現の崩壊(collapse)を防ぐVICReg型の正則化が挙げられます。加えて、単調性制約や恒等写像への事前分布(identity prior)、二つの表現空間の直交化正則化を組み合わせることで、不要な歪みの学習や二目的の混線を抑えられる可能性があります。

モデル構成|共有エンコーダと二頭ヘッド

実装上もっとも扱いやすいのは、共有エンコーダの上に二つの独立ヘッドを置く構成です。順序情報を必要とするchronologyヘッドは中間層のタイムスタンプレベル表現に接続し、整列不変な表現を必要とするsubjectiveヘッドはより上位の集約表現に接続します。事前学習には、TS2VecやTNC、CPCといった時系列自己教師あり学習が有力な出発点になります。動画データであれば、再生速度の知覚を自己教師ありタスクとして課す手法により、「時間スケールの変形を見抜く能力」をバックボーンに事前注入できる可能性があります。

subjectiveヘッドの設計には、warpを直接出力する可解釈性の高いexplicit型と、主観歪みの似たサンプル同士が近づく埋め込みを学ぶimplicit型の二通りがあり、主観ラベルの粒度に応じて選択します。

最適化戦略|勾配衝突をどう調停するか

共有エンコーダには二種類の勾配が同時に流れるため、勾配衝突の管理が本質的な課題になります。代表的な調停手法として、衝突する勾配を法線平面へ射影するPCGrad、平均損失最小化を保ちつつ最悪タスクの改善を正則化するCAGrad、勾配ノルムを動的に均衡化するGradNormがあります。実装の順序としては、まずPCGrad、次にCAGrad、最後にGradNormを試す流れが現実的です。

主観ラベルが少ない場合には、自己教師あり事前学習→chronology微調整→subjectiveヘッド追加→joint fine-tuningという段階的カリキュラムが安定しやすい選択肢です。ハイパーパラメータ探索では、単一目的に潰さず多目的のままPareto集合を扱う方法が推奨され、Optunaの多目的最適化などが活用できます。

評価計画|客観と主観を必ず分けて測る

評価指標も二系統に分離します。客観側はpairwise accuracy、Kendallのτ、Spearmanのρ、イベント順序のF1など。主観側は人間評定との相関、pairwise AUC、検索指標、warpプロファイル間の距離などです。単一スコアではなく、Paretoフロントや勾配コサイン分布、アブレーション表でトレードオフ自体を可視化することが、単一指標以上に重要な結果になります。

主観ラベルの取得方法は本手法の未確定要素であり、評定尺度法、対比較法、マグニチュード推定法などの選択肢があります。まず真のwarpプロファイルを埋め込める合成データで手法の健全性を確認し、その後に一人称動画、慣性センサ、生理時系列といった実データへ段階的に拡張する二段構えが望ましいでしょう。想定される失敗モードとして、ナレーション等が近道になるラベルリーク、主観ヘッドが「全部似ている」と出力するcollapse、整列損失の過剰適合によるアンカー喪失があり、それぞれ正則化や設計で対処する必要があります。

まとめ|「分けて学び、最後に調停する」設計の意義

本記事では、客観的な時系列順序と主観的な時間歪みを独立損失として分離学習するアプローチを解説しました。要点は次の通りです。心理学的知見は両者が同一でないことを示しており、機械学習側でも単一損失への混合は勾配衝突を招く可能性があります。実装上は、共有エンコーダ+二頭ヘッド、chronologyを強いアンカーとする損失設計、単調warpと類似埋め込み、PCGrad等による勾配調停、Pareto評価という組み合わせが堅実な出発点になります。主観ラベルの取得設計が最終性能を左右するため、合成データでの同定性確認から始める計画が推奨されます。この枠組みは、人間の時間体験に寄り添うレコメンド、映像要約、医療時系列の解釈など、幅広い応用の基盤となる可能性があります。