定義
ハードネガティブ採掘とは、 埋め込みモデルの学習において 正解と紛らわしいが不正解の事例をあえて負例に選び、 検索精度を鍛える手法のこと。
ハードネガティブ採掘 (Hard Negative)とは（詳しく解説）
ハードネガティブ採掘 (Hard Negative Mining) とは、 埋め込みモデルやリランカーを対照学習 (Contrastive Learning) で訓練する際に、 クエリと表面的には似ているが正解ではない事例を意図的に選び、 負例として学習データに含める手法のこと。 ランダムな無関係の負例だけでは モデルが「明らかに違うもの」しか区別できず、 意味は近いが誤っている文書を 上位に返してしまう問題が起きやすいとされる。 BM25 や既存の埋め込みモデルで高スコアだが不正解の候補を抽出し、 負例に混ぜる手法が広く採用されている。 現場での落とし穴は、 選定を誤ると 正解に近い文書まで負例として学習してしまい 精度がかえって落ちる点。 2026 年時点では 独自データでのファインチューニングにはラベル付け・学習インフラのコストがかかるため、 まずは既存モデル + リランカーの組み合わせで様子を見て、 精度の頭打ちが明確になってから 検討するのが 相場感に合った選び方とされる。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「ハードネガティブ採掘 (Hard Negative)とは」 https://aipicks.jp/glossary/hard-negative-mining
ハードネガティブ採掘 (Hard Negative)の使用例
- FAQ 検索の精度改善で、 質問文と語彙は似ているが別カテゴリの回答をハードネガティブとして学習データに追加する典型例。
- 埋め込みモデルの再学習時に、 BM25 で「関連度は高いが不正解」の候補を抽出し 負例として与えるデータ生成例。
