ロス関数とは何か？〜LLMやAIの“賢さ”を決める見えない主役〜

ロス関数ってなんだ？

こんにちは。Altam Easeの本田直輝です。
今回はロス関数について解説します。
ところで、AIやLLM（大規模言語モデル）において「ロス関数（loss function）」は、ちょっと地味な存在ですが、モデルの“賢さhttps://oltam.jp/”や“精度”を裏で操る超重要な存在です。

でも実際にはこう思う方も多いはず。

「ロス関数って結局何を計算してるの？」
「なぜ“ロス”が少ないと賢くなるの？」
「LLMの推論と何が関係あるの？」

本記事では、そんな疑問を解消しながら、「ロス関数」の意味と役割、LLMとの関係をやさしく解説します。

ロス関数の正体：間違いを数値化する“モノサシ”

ロス関数とは、一言でいえば：

モデルの予測と正解データのズレを数値化する関数

です。たとえば、
「パリはフランスの____です」という入力に対して、

• 正解：「首都」

• 予測：「都市」

だったときに、その「外し具合」を数値化してくれるのがロス関数です。
この“ズレの度合い”を「ロス（loss）」と呼び、モデルはこのロスを最小化するように学習していきます。

学習と推論、ロス関数の違いと関係

つまり、ロス関数は「学習中にだけ使われる指導役」のような存在です。ただし、学習でロスを減らすことによって、最終的に推論が賢くなるわけなので、「推論を司る根本の司令塔」とも言えます。

よく使われるロス関数（計算式つき）

1. クロスエントロピー（Cross Entropy Loss）

用途：LLMや分類タスク
特徴：正解ラベルの確率を高めたいときに使う

• yi：正解ラベル（ワンホット形式）

• pi​：モデルが出力した確率分布（Softmax後）

✔️ 正解に近い予測ならロスは小さく、
✔️ 外した予測ほどロスが大きくなる。

2. 平均二乗誤差（MSE：Mean Squared Error）

用途：回帰タスク（連続値の予測など）
特徴：誤差の大きさを重く評価する

• yi​：正解値

• y^ii​：予測値

✔️ 数値のズレが大きいほど、ロスが一気に跳ね上がる。

3. KLダイバージェンス（Kullback-Leibler Divergence）

用途：確率分布同士の比較（教師モデル vs 学習モデルなど）
特徴：予測分布全体の“形”を重視

LLMにおけるロスの計算イメージ

たとえば、次のような例を考えましょう。
入力：今日はいい____。
正解：天気
予測確率：天気 0.6、電車 0.2、気分 0.2

このときのロス（クロスエントロピー）は：

$$\text{Loss}=-\log (0.6)\fallingdotseq 0.51$$

→ モデルはそれなりに当ててるけど、まだ完璧じゃないという評価になります。

推論とロス関数の“見えないつながり”

推論時にはロス関数は使われませんが、
モデルは学習でロスを最小にするように訓練されているため、
結果として、ロスが小さくなるような“それっぽい出力”を推論で返すようになるのです。

つまり、ロス関数は「推論結果を直接決める」わけではないけど、
その“裏側の人格形成”にあたる、モデルの価値観を育てる存在なのです。

まとめ