LoRA（Low-Rank Adaptation）とは

大きなAIモデルを、少ない追加パラメータで効率よく追加学習する手法

LoRA（ローラ、Low-Rank Adaptation）は、大規模なAIモデルを少ない計算資源で追加学習（ファインチューニング）するための手法です。もともとは大規模言語モデル向けに提案されましたが、画像生成AIの世界では「特定の画風やキャラクターを覚えさせた小さな追加ファイル」として広く知られるようになりました。

もとになった論文

LoRA は Microsoft の Edward J. Hu らが2021年6月に発表した論文「LoRA: Low-Rank Adaptation of Large Language Models」で提案されました。論文の要旨では、GPT-3 175B をAdamで全体ファインチューニングする場合と比べて、学習対象のパラメータ数を約1万分の1に、GPUメモリ使用量を約3分の1に減らせたと報告されています。

仕組み

通常のファインチューニングは、モデルの重み（パラメータ）全体を更新します。LoRA では次のように考えます。

元のモデルの重みは固定（凍結）して変更しない。
重みの「変化分」を、2つの小さな行列の積（低ランク分解）で表す。
学習するのはこの小さな行列だけ。

小さな行列の大きさを決めるのがランク（rank、r）です。ランクが小さいほど学習するパラメータは少なくなります。もう一つの代表的な設定値 alpha は、追加分をどれくらいの強さで反映させるかの調整に使われます。

推論時には、追加分を元の重みに合算（マージ）することもでき、その場合は推論速度が落ちないと Hugging Face の PEFT ドキュメントでも説明されています。

画像生成でのLoRA

画像生成AIの文脈では、ベースモデル（例：Stable Diffusion系の拡散モデル）に対して、数十枚程度の画像で学習させたLoRAファイルを組み合わせて使うのが一般的です。

画風LoRA：特定のタッチや色使いを再現する。
キャラクター・人物LoRA：同じキャラクターを一貫して描く。
概念・小物LoRA：特定の衣装、商品、ポーズなど。

使うときは「適用強度（重み）」を調整でき、強すぎると絵が崩れ、弱すぎると効果が出ません。複数のLoRAを同時に使うこともできますが、互いに干渉することがあります。なお、LoRAは学習時のベースモデルと組み合わせる前提で作られるため、系統の異なるモデルでは正しく動かないことが多い点に注意してください。

LLMでのLoRA

テキスト生成AIでも、社内の文体や特定タスク向けにモデルを調整する手段としてLoRAが使われます。量子化と組み合わせた QLoRA など派生手法もあります。ただし「社内文書の知識を答えさせたい」だけなら、追加学習より RAG のほうが更新も簡単で適していることが多いです。

メリットと限界

メリット：学習が軽い／ファイルが小さく配布・切り替えが容易／ベースモデルを壊さない。
構図の指定：ポーズや輪郭を固定したい場合は ControlNet と組み合わせます。
限界：ベースモデルにない能力を一から身につけさせるのは苦手／学習データの質がそのまま結果に出る。

使うときの注意点

学習データの権利：他人のイラストや写真を無断で集めてLoRAを作り、その作風を模倣した画像を公開・販売することは、権利侵害やトラブルの原因になります。文化庁の「AIと著作権に関する考え方について」でも、特定の作品の表現を出力させる目的の学習は問題になりうると整理されています。
人物LoRA：本人の同意なく実在人物のLoRAを作成・配布するのは避けましょう。
配布ファイルの安全性：外部から入手したモデルファイルは、信頼できる配布元のものを使い、安全な形式（safetensors 等）を選ぶのが基本です。

参考リンク

編集: AI Play 編集部　最終更新: 2026-10-25