バイアス補正キャリブレーションを用いた最尤法はラベルシフト適応で強力なベースラインである

（Maximum Likelihood Label Shift with Bias-Corrected Calibration）

田中専務

拓海先生、お時間いただきありがとうございます。最近、部下から「ラベルシフトに対応しないと実業務で困る」と言われまして、正直ピンときておりません。これって要するに、訓練したときと現場での病気の出現率みたいなものが変わる話ですか？

AIメンター拓海

素晴らしい着眼点ですね！その通りです。ラベルシフトとは事前確率 p(y) が訓練時と運用時で変わる現象です。条件付確率 p(x|y) が変わらない前提があり、医療の有病率や品質不良率の変動が典型例ですよ。

田中専務

なるほど。で、何をすれば現場でもそのまま使えるんでしょうか。再学習が必要だとしたらコストが心配です。

AIメンター拓海

大丈夫、一緒にやれば必ずできますよ。重要なのは三点です。まず再学習を避ける手法があること、次に予測確率 p(y|x) の「正確さ（キャリブレーション）」が鍵になること、最後に簡便で強力な補正法が存在することです。

田中専務

再学習を避けられるとは具体的にどういうことですか？モデルはそのままで補正だけで済むのですか？投資対効果の視点で教えてください。

AIメンター拓海

そうです、モデルを触らずに運用時のラベル分布だけ推定して補正する手法があります。要点を三つに整理します。1) モデル出力の確率を前提に最尤推定で事前確率を更新する方法、2) 出力確率が歪んでいると結果が悪化するので補正（キャリブレーション）が必要であること、3) 補正法の選択によっては再学習不要で堅牢に動くということです。

田中専務

それは便利ですね。ところで現場のデータは必ずしも完璧でない。キャリブレーションが悪いとどうなるのか事例で教えていただけますか。

AIメンター拓海

例を挙げます。例えば病気の確率を高めに予測するモデルがあり、実際には病気の出現が減ると、最尤法で推定された事前確率は偏った方向に引きずられる。結果として予測確率をそのまま補正しても誤差が残るのです。そこで本研究が提案する「バイアス補正キャリブレーション（bias-corrected calibration）」が有効になります。

田中専務

これって要するに、出力の癖を直してから最尤で補正すると精度が出る、ということですか？それなら再学習よりはずっと安く済みそうです。

AIメンター拓海

その通りです。さらに本研究は三つの貢献を示しています。最尤法（Maximum Likelihood）に基づく最適化が凹であることの理論証明、バイアス補正キャリブレーションの実装で既存手法に勝る実験結果、そしてソースドメインの事前確率推定を工夫することでキャリブレーション不良への頑健性を高める戦略です。

田中専務

分かりました。要点は私の言葉で言い直すと、まずモデルはそのまま使い、出力の偏りを直してから前提確率だけ最尤で補正すれば、再学習より効率的にラベル分布の変化に対応できる、ということですね。