深層アンサンブル学習は，複数のDNNの予測を集約する手法で, 単一のDNNよりも汎化性能が優れている．各DNNを個別に学習することで予測の「多様性」が生まれ，性能向上に寄与する．一般的に多様性は学習過程の偶然的な要因に由来するが，これに依存した方法には限界がある．本研究では意図的に多様性を生み出すために重み摂動を活用した手法を提案する．摂動として付加するノイズは，DNNの勾配情報や重み分布を考慮して設計される．また，摂動の対象となる重みは一定の基準に従って決定する．実験では，画像分類において従来手法と比較して評価し，重み摂動がアンサンブル学習における設計指針として有用であることを実証する．