「LoRAを訓練したら、他のプロンプトが全然効かなくなった」——これがLoRA過学習の典型症状です。AAAI 2026に採択されたT-LoRA（Timestep-Dependent Low-Rank Adaptation）は、この問題を根本から解決する新手法です。本記事でその仕組みと活用法を詳しく解説します。
従来LoRAの問題点：なぜ過学習が起きるのか
LoRA（Low-Rank Adaptation）はStable Diffusionを少量のデータでファインチューンできる強力な手法ですが、実用上の大きな課題があります。
過学習の症状
- 特定のキャラクターを呼び出すと、背景・ポーズ・服装まで固定される
- LoRAの強度を上げると他のプロンプトが効かなくなる
- テキストアライメント（プロンプト整合性）が著しく低下
なぜ起きるのか：ノイズレベルの非対称性
拡散モデルのノイズ除去プロセスにはタイムステップがあります。
| タイムステップ | ノイズレベル | 過学習リスク |
|---|---|---|
| 高（1000に近い） | 高ノイズ | 非常に高い |
| 中（500前後） | 中ノイズ | 中程度 |
| 低（0に近い） | 低ノイズ（細部） | 低い |
従来のLoRAは全タイムステップに同一の学習率を適用するため、過学習しやすい高タイムステップ域でも強く訓練されてしまいます。
T-LoRAの仕組み：タイムステップで学習強度を制御
核心アイデア
T-LoRA（Timestep-Dependent Low-Rank Adaptation）の革新はタイムステップに応じてLoRAの重みを動的に変化させる点にあります。
- 高タイムステップ（概念形成域）→ LoRA重みを小さく（過学習抑制）
- 低タイムステップ（細部形成域）→ LoRA重みを大きく（キャラクター詳細を保持）
アーキテクチャの違い
従来のLoRAが単純な低ランク行列分解（A×B）を使うのに対し、T-LoRAはタイムステップtに依存する係数t_weight(t)を掛け合わせます。タイムステップスケジュールを学習することで、高タイムステップ時の過学習を自動的に防ぎます。
T-LoRAの性能評価
AAAI 2026の論文では、以下の指標で標準LoRAと比較されています。
定量比較（論文より）
| 手法 | コンセプト再現度 | テキストアライメント | 過学習スコア |
|---|---|---|---|
| 標準LoRA | 高 | 低（問題） | 高（問題） |
| DreamBooth | 非常に高 | 低（問題） | 非常に高（問題） |
| T-LoRA | 高 | 高（改善） | 低（改善） |
T-LoRAは「コンセプト忠実度」と「テキストアライメント」のバランスで最良の結果を出しています。
T-LoRAの実装：Kohya_ssでの設定
GitHubリポジトリ
T-LoRAの公式実装はgithub.com/ControlGenAI/T-LoRAで公開されています。
推奨パラメータ
| パラメータ | 推奨値 | 説明 |
|---|---|---|
| timestep_schedule | cosine | 高タイムステップで重みを落とす |
| rank | 32〜64 | キャラクターLoRAは高め |
| alpha | rank/2 | 通常通り |
| learning_rate | 5e-5〜1e-4 | 従来より若干低め推奨 |
| max_train_steps | 800〜1500 | 過学習しにくいので多め可 |
既存のLoRA学習に活かせるヒント
T-LoRAが採用している考え方は、既存のKohya_ss設定でも部分的に応用できます。
ノイズオフセット設定
noise_offset = 0.1とmin_snr_gamma = 5.0の設定により、T-LoRAに近い効果が得られます。min_snr_gammaはSNRによる損失重み調整でタイムステップ別の学習強度を自動調整します。
LoRA種別によるブロック設定
異なるブロックが異なる概念を担当することも分かっています。
| LoRAの種類 | 重要ブロック |
|---|---|
| スタイルLoRA | 後半ブロック（late blocks） |
| キャラクターLoRA | 中間ブロック（middle blocks） |
| コンポジションLoRA | 前半ブロック（early blocks） |
まとめ：T-LoRAが解決する3つの問題
- 過学習の抑制 — タイムステップ別重みで概念の過剰埋め込みを防ぐ
- テキストアライメント維持 — LoRA適用後もプロンプトが正しく効く
- 少データでの高品質学習 — 20〜50枚程度の画像でも実用的な結果
現在はKohya_ssへの完全統合に向けた開発が進んでおり、2026年中には主要な学習UIで使えるようになると期待されています。
よくある質問（FAQ）
Q: T-LoRAはSDXLとSD 1.5どちらに使える？
A: 公式実装はSDXLをメインターゲットとしていますが、アーキテクチャ的にはSD 1.5にも適用可能です。SDXL推奨です。
Q: 標準LoRAからT-LoRAへの移行は大変？
A: 学習スクリプトのパラメータ追加が主な作業で、既存の画像データセットはそのまま使えます。
Q: T-LoRAで学習したモデルはA1111やComfyUIで普通に使える？
A: はい。生成時は通常のLoRAファイルとして機能します。T-LoRAの工夫は学習フェーズのみに適用されます。
Q: 学習画像は何枚必要？
A: 20〜50枚で実用的な結果が得られます。過学習しにくい設計なので、少ない枚数でも品質が安定する傾向があります。
Q: T-LoRAとLyCORIS/LoHaはどちらが優れている？
A: 別のアプローチです。T-LoRAは「いつ学ぶか」、LyCORISは「どう学ぶか」を改善します。組み合わせることで更に良い結果が期待できます。
