時間経過に伴うデータの分布変化は，学習済み機械学習モデルを用いたAIシステムの性能低下を引き起こす主な原因の一つである．この問題に対し，著者らは，2020年度および2021年度の人工知能学会全国大会 (JSAI2020, JSAI2021) において，データ分布の変化を手動で正解ラベル付けすることなくリアルタイムで検知し，その変化にシステムを適応させる技術について，既存の代表的な手法を含めて紹介を行った．今後のAIシステムの運用においては，新たに，データのプライバシーやその可搬性の観点から適応前に使用した学習データに依存しない適応技術や，入力データの分布以外の変化にも対応可能な適応技術の必要性も高まってきている．そこで本稿では，前述の両論文に引き続き，近年，特に2019年以降に開催された機械学習分野の主要国際会議で発表された，教師なしコンセプトドリフト適応技術および教師なしドメイン適応技術を中心に，データ変化に対する教師なし適応技術の最新の研究動向を紹介する．加えて，同技術が上記のデータプライバシーの保持などのAI運用における新たな課題解決に対しても有効であることについて述べる．
