特異度とは？

「宝くじ1等」の瞬間を数値にする

宝くじで1等が当たったとき、あなたの頭の中で「え、マジ？」が爆発しますよね。でも毎日着る服を選んだとき、特に何も感じません。この”驚きの強さ”を数値で測るものが特異度です。

つまり、確率の低い事象ほど大きな値を持ち、確率の高い事象ほど小さい値を持つ「その事象の驚き度」を表す尺度です。

特異度が実際に「動く」場面

抽象的な概念に見える特異度が、実はあなたの日常生活のどこかですれ違っています。

• 天気予報で「降水確率10%」なのに大雨が降ったとき——「10%なのに！」というあの驚きの強さを、特異度は数値として表しています
• AIチャットに「東京の天気は？」と聞いたら「火星の天気は…」と答えてきたとき——期待外れ（低確率の出力）への「え、何？」が特異度として大きくなります
• データ分析で「売上はほぼ安定している」というモデルが、突然1日だけ売上10倍の点を吐き出したとき——その1点の”驚き”が特異度で測れます

この「1回ごとの驚きの強さ」を数値化できることで、AIの出力が”どう驚くべきか”を判断する材料になります。

エントロピーとの違いが「見える」化ける瞬間

特異度とエントロピーは「似ているが役割が全く違う」2つです。ここが混同しやすいので、1つの例で切り分けます。

宝くじを1回引いたとき、1等が当たった「あの1回」の驚き＝特異度。では、100回引いて「平均的にどれくらい驚くか」を予測する＝エントロピー。

つまり、特異度は”1回ごとの局所情報量”、エントロピーは”全体の平均的な不確実性”です。1回と全体の違い、これが本質です。

G検定で「特異度」が出たとき、どう答えるか

G検定では、特異度（局所情報量）とエントロピーの区別が問われることがあります。

出題アングルとしては、「ある事象xが起きたときの情報量（特異度）は −log P(x) で表される」ことを、エントロピー H = E[−log P(x)]（期待値）との対比で説明できるか、という点が焦点です。

自分チェック：「特異度は1回の事象、エントロピーはその平均」と、自分の言葉で3秒で言えるか。言えないなら、宝くじ比喩を1回声に出して試してみてください。

エントロピー・KLダイバージェンスとの関係

特異度を理解すると、情報理論の周辺用語が”1つずつ”つながり始めます。

• エントロピー：特異度を確率分布全体で平均したもの。”平均的な驚き”を測る
• KLダイバージェンス：2つの分布の「ずれ」を、特異度の差の平均として測る。AIのモデルが「どれくらいズレているか」の尺度

特異度を「1回の驚き」として押さえておくと、エントロピーとKLダイバージェンスが”その平均”や”そのずれ”として自然に理解できます。

今日から持ち歩ける「驚きの尺度」

特異度は、「確率の低い事象が起きたとき、どれほど驚くか」を数値で表す局所情報量です。エントロピーが”平均的な驚き”なら、特異度は”1回ごとの驚き”。

• 今週5分のアクション：AIの出力で「え？」と思った瞬間、それが”低確率の事象（特異度の大きい出力）”だったと自分の中でラベルを貼ってみてください。1週間続けたら、AIの出力の”驚き度”を意識する癖がつきます
• 試験の3語の要点：「1回」「局所」「−log p」

金色のチケットが輝く瞬間は特異度の「低確率イベントの驚き」を 視覚的に示し、下段のシャツとの対比も効果的です。一方で、 情報量差を伝える「数値の大小」要素が視覚化されていないため、 概念的な正確さはやや弱く感じられました。

評価項目	点数	コメント
概念の正確さ	3	低確率の驚きは伝わるが情報量差が視覚化不足です
比喩の明快さ	4	宝くじの「え？」瞬間を1枚で視覚化できています
立体感・奥行き	4	影とボケボールで前景・背景の階層が明確です
映え度（SNS寄与）	4	紫×金×ピンクのポップ配色がスクロールを止めます
色調の用語相性	4	「驚き」のポジティブな感情に合致した暖色系です
合計	19 / 25	総合判定: 良好

評価基準: 1（不合格）〜5（優秀）AI Judge による自動評価