diff --git a/CLAUDE.md b/CLAUDE.md
index 2b8b5e9..8cb2c68 100644
--- a/CLAUDE.md
+++ b/CLAUDE.md
@@ -5,7 +5,7 @@
 
 ## 開発進捗
 
-最新: 色特徴＋ロジスティック回帰が CNN と同等以上（込みで +0.04）と判明（TEST_05）．次は CNN と色特徴の併用・効いている特徴の分析
+最新: CNN のハイパーパラメータを変えても性能はほぼ不変と判明（TEST_06）．次は CNN と色特徴の併用・効いている特徴の分析
 ※ 本欄は**最新ステップ 1 行のみ上書き更新**．詳細な進捗履歴（動機・設計判断・失敗パターン）は [docs/PROGRESS.md](docs/PROGRESS.md) に追記する．運用ルールは `.claude/rules/progress-log.md` を参照（該当ファイル編集時に自動ロードされる）．
 
 ## 必須ルール（コード実装時）
@@ -103,3 +103,4 @@
 - 交差検証結果: docs/06_TEST/TEST_03_交差検証結果.md
 - クラス不均衡対策の実験: docs/06_TEST/TEST_04_クラス不均衡対策の実験.md
 - 色特徴分類器の実験: docs/06_TEST/TEST_05_色特徴分類器の実験.md
+- ハイパーパラメータの比較: docs/06_TEST/TEST_06_ハイパーパラメータの比較.md
diff --git a/configs/hparam/cv_hp_convnext_cwinv_bs16.yaml b/configs/hparam/cv_hp_convnext_cwinv_bs16.yaml
new file mode 100644
index 0000000..b7aac68
--- /dev/null
+++ b/configs/hparam/cv_hp_convnext_cwinv_bs16.yaml
@@ -0,0 +1,28 @@
+# ハイパーパラメータの比較（ConvNeXt-Tiny・重み inverse・ややあり除外．seed 42）: batch_size = 16（それ以外は configs/imbalance/cv_without_mild_cwinv.yaml と同一．選択は内側の検証 macro F1 で行う．TEST_06）
+# 臨床データはサーバ上にのみ置く．手元ではこの設定で実行しない．
+# 環境変数 TIAS_DATA_ROOT が設定されていれば data.root より優先される．
+data:
+  root: ~/data/TIASJudgeModel
+  manifest: manifest.csv # data.root からの相対パス
+  severities: [strong, normal]
+
+split:
+  seed: 42
+  n_folds: 5
+
+model:
+  name: convnext_tiny
+  pretrained: true
+
+train:
+  image_size: 224
+  batch_size: 16
+  max_epochs: 40
+  patience: 8
+  lr: 1.0e-4
+  weight_decay: 0.05
+  warmup_epochs: 2
+  inner_val_ratio: 0.15
+  num_workers: 4
+  amp: true
+  class_weighting: inverse
diff --git a/configs/hparam/cv_hp_convnext_cwinv_ep60p15.yaml b/configs/hparam/cv_hp_convnext_cwinv_ep60p15.yaml
new file mode 100644
index 0000000..98f4075
--- /dev/null
+++ b/configs/hparam/cv_hp_convnext_cwinv_ep60p15.yaml
@@ -0,0 +1,28 @@
+# ハイパーパラメータの比較（ConvNeXt-Tiny・重み inverse・ややあり除外．seed 42）: max_epochs = 60・patience = 15（それ以外は configs/imbalance/cv_without_mild_cwinv.yaml と同一．選択は内側の検証 macro F1 で行う．TEST_06）
+# 臨床データはサーバ上にのみ置く．手元ではこの設定で実行しない．
+# 環境変数 TIAS_DATA_ROOT が設定されていれば data.root より優先される．
+data:
+  root: ~/data/TIASJudgeModel
+  manifest: manifest.csv # data.root からの相対パス
+  severities: [strong, normal]
+
+split:
+  seed: 42
+  n_folds: 5
+
+model:
+  name: convnext_tiny
+  pretrained: true
+
+train:
+  image_size: 224
+  batch_size: 32
+  max_epochs: 60
+  patience: 15
+  lr: 1.0e-4
+  weight_decay: 0.05
+  warmup_epochs: 2
+  inner_val_ratio: 0.15
+  num_workers: 4
+  amp: true
+  class_weighting: inverse
diff --git a/configs/hparam/cv_hp_convnext_cwinv_img320.yaml b/configs/hparam/cv_hp_convnext_cwinv_img320.yaml
new file mode 100644
index 0000000..736ce51
--- /dev/null
+++ b/configs/hparam/cv_hp_convnext_cwinv_img320.yaml
@@ -0,0 +1,28 @@
+# ハイパーパラメータの比較（ConvNeXt-Tiny・重み inverse・ややあり除外．seed 42）: image_size = 320（それ以外は configs/imbalance/cv_without_mild_cwinv.yaml と同一．選択は内側の検証 macro F1 で行う．TEST_06）
+# 臨床データはサーバ上にのみ置く．手元ではこの設定で実行しない．
+# 環境変数 TIAS_DATA_ROOT が設定されていれば data.root より優先される．
+data:
+  root: ~/data/TIASJudgeModel
+  manifest: manifest.csv # data.root からの相対パス
+  severities: [strong, normal]
+
+split:
+  seed: 42
+  n_folds: 5
+
+model:
+  name: convnext_tiny
+  pretrained: true
+
+train:
+  image_size: 320
+  batch_size: 32
+  max_epochs: 40
+  patience: 8
+  lr: 1.0e-4
+  weight_decay: 0.05
+  warmup_epochs: 2
+  inner_val_ratio: 0.15
+  num_workers: 4
+  amp: true
+  class_weighting: inverse
diff --git a/configs/hparam/cv_hp_convnext_cwinv_img320_s43.yaml b/configs/hparam/cv_hp_convnext_cwinv_img320_s43.yaml
new file mode 100644
index 0000000..ee302d0
--- /dev/null
+++ b/configs/hparam/cv_hp_convnext_cwinv_img320_s43.yaml
@@ -0,0 +1,28 @@
+# ハイパーパラメータの比較（ConvNeXt-Tiny・重み inverse・ややあり除外．seed 43）: image_size = 320（それ以外は configs/imbalance/cv_without_mild_cwinv.yaml と同一．選択は内側の検証 macro F1 で行う．TEST_06）
+# 臨床データはサーバ上にのみ置く．手元ではこの設定で実行しない．
+# 環境変数 TIAS_DATA_ROOT が設定されていれば data.root より優先される．
+data:
+  root: ~/data/TIASJudgeModel
+  manifest: manifest.csv # data.root からの相対パス
+  severities: [strong, normal]
+
+split:
+  seed: 43
+  n_folds: 5
+
+model:
+  name: convnext_tiny
+  pretrained: true
+
+train:
+  image_size: 320
+  batch_size: 32
+  max_epochs: 40
+  patience: 8
+  lr: 1.0e-4
+  weight_decay: 0.05
+  warmup_epochs: 2
+  inner_val_ratio: 0.15
+  num_workers: 4
+  amp: true
+  class_weighting: inverse
diff --git a/configs/hparam/cv_hp_convnext_cwinv_img320_s44.yaml b/configs/hparam/cv_hp_convnext_cwinv_img320_s44.yaml
new file mode 100644
index 0000000..3176998
--- /dev/null
+++ b/configs/hparam/cv_hp_convnext_cwinv_img320_s44.yaml
@@ -0,0 +1,28 @@
+# ハイパーパラメータの比較（ConvNeXt-Tiny・重み inverse・ややあり除外．seed 44）: image_size = 320（それ以外は configs/imbalance/cv_without_mild_cwinv.yaml と同一．選択は内側の検証 macro F1 で行う．TEST_06）
+# 臨床データはサーバ上にのみ置く．手元ではこの設定で実行しない．
+# 環境変数 TIAS_DATA_ROOT が設定されていれば data.root より優先される．
+data:
+  root: ~/data/TIASJudgeModel
+  manifest: manifest.csv # data.root からの相対パス
+  severities: [strong, normal]
+
+split:
+  seed: 44
+  n_folds: 5
+
+model:
+  name: convnext_tiny
+  pretrained: true
+
+train:
+  image_size: 320
+  batch_size: 32
+  max_epochs: 40
+  patience: 8
+  lr: 1.0e-4
+  weight_decay: 0.05
+  warmup_epochs: 2
+  inner_val_ratio: 0.15
+  num_workers: 4
+  amp: true
+  class_weighting: inverse
diff --git a/configs/hparam/cv_hp_convnext_cwinv_lr2e-4.yaml b/configs/hparam/cv_hp_convnext_cwinv_lr2e-4.yaml
new file mode 100644
index 0000000..ca7ab69
--- /dev/null
+++ b/configs/hparam/cv_hp_convnext_cwinv_lr2e-4.yaml
@@ -0,0 +1,28 @@
+# ハイパーパラメータの比較（ConvNeXt-Tiny・重み inverse・ややあり除外．seed 42）: lr = 2.0e-4（それ以外は configs/imbalance/cv_without_mild_cwinv.yaml と同一．選択は内側の検証 macro F1 で行う．TEST_06）
+# 臨床データはサーバ上にのみ置く．手元ではこの設定で実行しない．
+# 環境変数 TIAS_DATA_ROOT が設定されていれば data.root より優先される．
+data:
+  root: ~/data/TIASJudgeModel
+  manifest: manifest.csv # data.root からの相対パス
+  severities: [strong, normal]
+
+split:
+  seed: 42
+  n_folds: 5
+
+model:
+  name: convnext_tiny
+  pretrained: true
+
+train:
+  image_size: 224
+  batch_size: 32
+  max_epochs: 40
+  patience: 8
+  lr: 2.0e-4
+  weight_decay: 0.05
+  warmup_epochs: 2
+  inner_val_ratio: 0.15
+  num_workers: 4
+  amp: true
+  class_weighting: inverse
diff --git a/configs/hparam/cv_hp_convnext_cwinv_lr3e-5.yaml b/configs/hparam/cv_hp_convnext_cwinv_lr3e-5.yaml
new file mode 100644
index 0000000..036a396
--- /dev/null
+++ b/configs/hparam/cv_hp_convnext_cwinv_lr3e-5.yaml
@@ -0,0 +1,28 @@
+# ハイパーパラメータの比較（ConvNeXt-Tiny・重み inverse・ややあり除外．seed 42）: lr = 3.0e-5（それ以外は configs/imbalance/cv_without_mild_cwinv.yaml と同一．選択は内側の検証 macro F1 で行う．TEST_06）
+# 臨床データはサーバ上にのみ置く．手元ではこの設定で実行しない．
+# 環境変数 TIAS_DATA_ROOT が設定されていれば data.root より優先される．
+data:
+  root: ~/data/TIASJudgeModel
+  manifest: manifest.csv # data.root からの相対パス
+  severities: [strong, normal]
+
+split:
+  seed: 42
+  n_folds: 5
+
+model:
+  name: convnext_tiny
+  pretrained: true
+
+train:
+  image_size: 224
+  batch_size: 32
+  max_epochs: 40
+  patience: 8
+  lr: 3.0e-5
+  weight_decay: 0.05
+  warmup_epochs: 2
+  inner_val_ratio: 0.15
+  num_workers: 4
+  amp: true
+  class_weighting: inverse
diff --git a/configs/hparam/cv_hp_convnext_cwinv_lr4e-4.yaml b/configs/hparam/cv_hp_convnext_cwinv_lr4e-4.yaml
new file mode 100644
index 0000000..5ce7422
--- /dev/null
+++ b/configs/hparam/cv_hp_convnext_cwinv_lr4e-4.yaml
@@ -0,0 +1,28 @@
+# ハイパーパラメータの比較（ConvNeXt-Tiny・重み inverse・ややあり除外．seed 42）: lr = 4.0e-4（それ以外は configs/imbalance/cv_without_mild_cwinv.yaml と同一．選択は内側の検証 macro F1 で行う．TEST_06）
+# 臨床データはサーバ上にのみ置く．手元ではこの設定で実行しない．
+# 環境変数 TIAS_DATA_ROOT が設定されていれば data.root より優先される．
+data:
+  root: ~/data/TIASJudgeModel
+  manifest: manifest.csv # data.root からの相対パス
+  severities: [strong, normal]
+
+split:
+  seed: 42
+  n_folds: 5
+
+model:
+  name: convnext_tiny
+  pretrained: true
+
+train:
+  image_size: 224
+  batch_size: 32
+  max_epochs: 40
+  patience: 8
+  lr: 4.0e-4
+  weight_decay: 0.05
+  warmup_epochs: 2
+  inner_val_ratio: 0.15
+  num_workers: 4
+  amp: true
+  class_weighting: inverse
diff --git a/configs/hparam/cv_hp_convnext_cwinv_wd0.005.yaml b/configs/hparam/cv_hp_convnext_cwinv_wd0.005.yaml
new file mode 100644
index 0000000..a15e0f7
--- /dev/null
+++ b/configs/hparam/cv_hp_convnext_cwinv_wd0.005.yaml
@@ -0,0 +1,28 @@
+# ハイパーパラメータの比較（ConvNeXt-Tiny・重み inverse・ややあり除外．seed 42）: weight_decay = 0.005（それ以外は configs/imbalance/cv_without_mild_cwinv.yaml と同一．選択は内側の検証 macro F1 で行う．TEST_06）
+# 臨床データはサーバ上にのみ置く．手元ではこの設定で実行しない．
+# 環境変数 TIAS_DATA_ROOT が設定されていれば data.root より優先される．
+data:
+  root: ~/data/TIASJudgeModel
+  manifest: manifest.csv # data.root からの相対パス
+  severities: [strong, normal]
+
+split:
+  seed: 42
+  n_folds: 5
+
+model:
+  name: convnext_tiny
+  pretrained: true
+
+train:
+  image_size: 224
+  batch_size: 32
+  max_epochs: 40
+  patience: 8
+  lr: 1.0e-4
+  weight_decay: 0.005
+  warmup_epochs: 2
+  inner_val_ratio: 0.15
+  num_workers: 4
+  amp: true
+  class_weighting: inverse
diff --git a/configs/hparam/cv_hp_convnext_cwinv_wd0.2.yaml b/configs/hparam/cv_hp_convnext_cwinv_wd0.2.yaml
new file mode 100644
index 0000000..a5d53f1
--- /dev/null
+++ b/configs/hparam/cv_hp_convnext_cwinv_wd0.2.yaml
@@ -0,0 +1,28 @@
+# ハイパーパラメータの比較（ConvNeXt-Tiny・重み inverse・ややあり除外．seed 42）: weight_decay = 0.2（それ以外は configs/imbalance/cv_without_mild_cwinv.yaml と同一．選択は内側の検証 macro F1 で行う．TEST_06）
+# 臨床データはサーバ上にのみ置く．手元ではこの設定で実行しない．
+# 環境変数 TIAS_DATA_ROOT が設定されていれば data.root より優先される．
+data:
+  root: ~/data/TIASJudgeModel
+  manifest: manifest.csv # data.root からの相対パス
+  severities: [strong, normal]
+
+split:
+  seed: 42
+  n_folds: 5
+
+model:
+  name: convnext_tiny
+  pretrained: true
+
+train:
+  image_size: 224
+  batch_size: 32
+  max_epochs: 40
+  patience: 8
+  lr: 1.0e-4
+  weight_decay: 0.2
+  warmup_epochs: 2
+  inner_val_ratio: 0.15
+  num_workers: 4
+  amp: true
+  class_weighting: inverse
diff --git a/configs/hparam/cv_hp_resnet50_bs16.yaml b/configs/hparam/cv_hp_resnet50_bs16.yaml
new file mode 100644
index 0000000..98f4e55
--- /dev/null
+++ b/configs/hparam/cv_hp_resnet50_bs16.yaml
@@ -0,0 +1,27 @@
+# ハイパーパラメータの比較（ResNet-50・学習率 1e-3・ややあり除外．seed 42）: batch_size = 16（それ以外は configs/lr1e-3/cv_resnet50_without_mild_lr1e-3.yaml と同一．選択は内側の検証 macro F1 で行う．TEST_06）
+# 臨床データはサーバ上にのみ置く．手元ではこの設定で実行しない．
+# 環境変数 TIAS_DATA_ROOT が設定されていれば data.root より優先される．
+data:
+  root: ~/data/TIASJudgeModel
+  manifest: manifest.csv # data.root からの相対パス
+  severities: [strong, normal]
+
+split:
+  seed: 42
+  n_folds: 5
+
+model:
+  name: resnet50
+  pretrained: true
+
+train:
+  image_size: 224
+  batch_size: 16
+  max_epochs: 40
+  patience: 8
+  lr: 1.0e-3
+  weight_decay: 0.05
+  warmup_epochs: 2
+  inner_val_ratio: 0.15
+  num_workers: 4
+  amp: true
diff --git a/configs/hparam/cv_hp_resnet50_img320.yaml b/configs/hparam/cv_hp_resnet50_img320.yaml
new file mode 100644
index 0000000..ed17c2d
--- /dev/null
+++ b/configs/hparam/cv_hp_resnet50_img320.yaml
@@ -0,0 +1,27 @@
+# ハイパーパラメータの比較（ResNet-50・学習率 1e-3・ややあり除外．seed 42）: image_size = 320（それ以外は configs/lr1e-3/cv_resnet50_without_mild_lr1e-3.yaml と同一．選択は内側の検証 macro F1 で行う．TEST_06）
+# 臨床データはサーバ上にのみ置く．手元ではこの設定で実行しない．
+# 環境変数 TIAS_DATA_ROOT が設定されていれば data.root より優先される．
+data:
+  root: ~/data/TIASJudgeModel
+  manifest: manifest.csv # data.root からの相対パス
+  severities: [strong, normal]
+
+split:
+  seed: 42
+  n_folds: 5
+
+model:
+  name: resnet50
+  pretrained: true
+
+train:
+  image_size: 320
+  batch_size: 32
+  max_epochs: 40
+  patience: 8
+  lr: 1.0e-3
+  weight_decay: 0.05
+  warmup_epochs: 2
+  inner_val_ratio: 0.15
+  num_workers: 4
+  amp: true
diff --git a/configs/hparam/cv_hp_resnet50_img320_s43.yaml b/configs/hparam/cv_hp_resnet50_img320_s43.yaml
new file mode 100644
index 0000000..8d82934
--- /dev/null
+++ b/configs/hparam/cv_hp_resnet50_img320_s43.yaml
@@ -0,0 +1,27 @@
+# ハイパーパラメータの比較（ResNet-50・学習率 1e-3・ややあり除外．seed 43）: image_size = 320（それ以外は configs/lr1e-3/cv_resnet50_without_mild_lr1e-3.yaml と同一．選択は内側の検証 macro F1 で行う．TEST_06）
+# 臨床データはサーバ上にのみ置く．手元ではこの設定で実行しない．
+# 環境変数 TIAS_DATA_ROOT が設定されていれば data.root より優先される．
+data:
+  root: ~/data/TIASJudgeModel
+  manifest: manifest.csv # data.root からの相対パス
+  severities: [strong, normal]
+
+split:
+  seed: 43
+  n_folds: 5
+
+model:
+  name: resnet50
+  pretrained: true
+
+train:
+  image_size: 320
+  batch_size: 32
+  max_epochs: 40
+  patience: 8
+  lr: 1.0e-3
+  weight_decay: 0.05
+  warmup_epochs: 2
+  inner_val_ratio: 0.15
+  num_workers: 4
+  amp: true
diff --git a/configs/hparam/cv_hp_resnet50_img320_s44.yaml b/configs/hparam/cv_hp_resnet50_img320_s44.yaml
new file mode 100644
index 0000000..6f7fab1
--- /dev/null
+++ b/configs/hparam/cv_hp_resnet50_img320_s44.yaml
@@ -0,0 +1,27 @@
+# ハイパーパラメータの比較（ResNet-50・学習率 1e-3・ややあり除外．seed 44）: image_size = 320（それ以外は configs/lr1e-3/cv_resnet50_without_mild_lr1e-3.yaml と同一．選択は内側の検証 macro F1 で行う．TEST_06）
+# 臨床データはサーバ上にのみ置く．手元ではこの設定で実行しない．
+# 環境変数 TIAS_DATA_ROOT が設定されていれば data.root より優先される．
+data:
+  root: ~/data/TIASJudgeModel
+  manifest: manifest.csv # data.root からの相対パス
+  severities: [strong, normal]
+
+split:
+  seed: 44
+  n_folds: 5
+
+model:
+  name: resnet50
+  pretrained: true
+
+train:
+  image_size: 320
+  batch_size: 32
+  max_epochs: 40
+  patience: 8
+  lr: 1.0e-3
+  weight_decay: 0.05
+  warmup_epochs: 2
+  inner_val_ratio: 0.15
+  num_workers: 4
+  amp: true
diff --git a/configs/hparam/cv_hp_resnet50_lr3e-3.yaml b/configs/hparam/cv_hp_resnet50_lr3e-3.yaml
new file mode 100644
index 0000000..1043aa7
--- /dev/null
+++ b/configs/hparam/cv_hp_resnet50_lr3e-3.yaml
@@ -0,0 +1,27 @@
+# ハイパーパラメータの比較（ResNet-50・学習率 1e-3・ややあり除外．seed 42）: lr = 3.0e-3（それ以外は configs/lr1e-3/cv_resnet50_without_mild_lr1e-3.yaml と同一．選択は内側の検証 macro F1 で行う．TEST_06）
+# 臨床データはサーバ上にのみ置く．手元ではこの設定で実行しない．
+# 環境変数 TIAS_DATA_ROOT が設定されていれば data.root より優先される．
+data:
+  root: ~/data/TIASJudgeModel
+  manifest: manifest.csv # data.root からの相対パス
+  severities: [strong, normal]
+
+split:
+  seed: 42
+  n_folds: 5
+
+model:
+  name: resnet50
+  pretrained: true
+
+train:
+  image_size: 224
+  batch_size: 32
+  max_epochs: 40
+  patience: 8
+  lr: 3.0e-3
+  weight_decay: 0.05
+  warmup_epochs: 2
+  inner_val_ratio: 0.15
+  num_workers: 4
+  amp: true
diff --git a/configs/hparam/cv_hp_resnet50_lr3e-4.yaml b/configs/hparam/cv_hp_resnet50_lr3e-4.yaml
new file mode 100644
index 0000000..bdbf3ce
--- /dev/null
+++ b/configs/hparam/cv_hp_resnet50_lr3e-4.yaml
@@ -0,0 +1,27 @@
+# ハイパーパラメータの比較（ResNet-50・学習率 1e-3・ややあり除外．seed 42）: lr = 3.0e-4（それ以外は configs/lr1e-3/cv_resnet50_without_mild_lr1e-3.yaml と同一．選択は内側の検証 macro F1 で行う．TEST_06）
+# 臨床データはサーバ上にのみ置く．手元ではこの設定で実行しない．
+# 環境変数 TIAS_DATA_ROOT が設定されていれば data.root より優先される．
+data:
+  root: ~/data/TIASJudgeModel
+  manifest: manifest.csv # data.root からの相対パス
+  severities: [strong, normal]
+
+split:
+  seed: 42
+  n_folds: 5
+
+model:
+  name: resnet50
+  pretrained: true
+
+train:
+  image_size: 224
+  batch_size: 32
+  max_epochs: 40
+  patience: 8
+  lr: 3.0e-4
+  weight_decay: 0.05
+  warmup_epochs: 2
+  inner_val_ratio: 0.15
+  num_workers: 4
+  amp: true
diff --git a/configs/hparam/cv_hp_resnet50_wd0.005.yaml b/configs/hparam/cv_hp_resnet50_wd0.005.yaml
new file mode 100644
index 0000000..7459379
--- /dev/null
+++ b/configs/hparam/cv_hp_resnet50_wd0.005.yaml
@@ -0,0 +1,27 @@
+# ハイパーパラメータの比較（ResNet-50・学習率 1e-3・ややあり除外．seed 42）: weight_decay = 0.005（それ以外は configs/lr1e-3/cv_resnet50_without_mild_lr1e-3.yaml と同一．選択は内側の検証 macro F1 で行う．TEST_06）
+# 臨床データはサーバ上にのみ置く．手元ではこの設定で実行しない．
+# 環境変数 TIAS_DATA_ROOT が設定されていれば data.root より優先される．
+data:
+  root: ~/data/TIASJudgeModel
+  manifest: manifest.csv # data.root からの相対パス
+  severities: [strong, normal]
+
+split:
+  seed: 42
+  n_folds: 5
+
+model:
+  name: resnet50
+  pretrained: true
+
+train:
+  image_size: 224
+  batch_size: 32
+  max_epochs: 40
+  patience: 8
+  lr: 1.0e-3
+  weight_decay: 0.005
+  warmup_epochs: 2
+  inner_val_ratio: 0.15
+  num_workers: 4
+  amp: true
diff --git a/configs/hparam/cv_hp_resnet50_wd0.2.yaml b/configs/hparam/cv_hp_resnet50_wd0.2.yaml
new file mode 100644
index 0000000..c2d710b
--- /dev/null
+++ b/configs/hparam/cv_hp_resnet50_wd0.2.yaml
@@ -0,0 +1,27 @@
+# ハイパーパラメータの比較（ResNet-50・学習率 1e-3・ややあり除外．seed 42）: weight_decay = 0.2（それ以外は configs/lr1e-3/cv_resnet50_without_mild_lr1e-3.yaml と同一．選択は内側の検証 macro F1 で行う．TEST_06）
+# 臨床データはサーバ上にのみ置く．手元ではこの設定で実行しない．
+# 環境変数 TIAS_DATA_ROOT が設定されていれば data.root より優先される．
+data:
+  root: ~/data/TIASJudgeModel
+  manifest: manifest.csv # data.root からの相対パス
+  severities: [strong, normal]
+
+split:
+  seed: 42
+  n_folds: 5
+
+model:
+  name: resnet50
+  pretrained: true
+
+train:
+  image_size: 224
+  batch_size: 32
+  max_epochs: 40
+  patience: 8
+  lr: 1.0e-3
+  weight_decay: 0.2
+  warmup_epochs: 2
+  inner_val_ratio: 0.15
+  num_workers: 4
+  amp: true
diff --git "a/docs/02_ENV/ENV_04_\351\226\213\347\231\272\343\202\263\343\203\236\343\203\263\343\203\211.md" "b/docs/02_ENV/ENV_04_\351\226\213\347\231\272\343\202\263\343\203\236\343\203\263\343\203\211.md"
index de96f1c..b36406b 100644
--- "a/docs/02_ENV/ENV_04_\351\226\213\347\231\272\343\202\263\343\203\236\343\203\263\343\203\211.md"
+++ "b/docs/02_ENV/ENV_04_\351\226\213\347\231\272\343\202\263\343\203\236\343\203\263\343\203\211.md"
@@ -78,6 +78,7 @@
 | `configs/repeat/*_s43.yaml`・`*_s44.yaml` | 分割 seed を変えた繰り返し（seed 以外は元の設定と同一） |
 | `configs/lr1e-3/*.yaml` | ResNet-50・EfficientNet-B0 を学習率 1e-3 で回す設定（1e-4 では学習不足だったため．TEST_03） |
 | `configs/imbalance/*.yaml` | クラス不均衡の対策（`_cwinv`: 重み inverse・`_cwsqrt`: 重み sqrt_inverse・`_balanced`: バランス・サンプリング）．元の設定（ConvNeXt-Tiny・ResNet-50 lr 1e-3 の各 6 本）から対策のキーだけを変えたもの |
+| `configs/hparam/*.yaml` | ハイパーパラメータの比較（`cv_hp_<convnext_cwinv \| resnet50>_<変更>[_s43 \| _s44]`）．基準の設定（ConvNeXt-Tiny・重み inverse／ResNet-50 lr 1e-3．ややあり除外）から 1 項目だけを変えたもの（[TEST_06](../06_TEST/TEST_06_ハイパーパラメータの比較.md)） |
 | `configs/color/*.yaml` | 色特徴分類器（`cv_color_<logistic \| hist_gb>_<with_mild \| without_mild>[_s43 \| _s44][_cwinv]`）．分割・程度の設定は同名の CNN の設定と同一 |
 
 **サーバでの実行例**:
diff --git "a/docs/03_PLAN/PLAN_02_\351\226\213\347\231\272\343\202\271\343\203\206\343\203\203\343\203\227.md" "b/docs/03_PLAN/PLAN_02_\351\226\213\347\231\272\343\202\271\343\203\206\343\203\203\343\203\227.md"
index b43008a..82a45c8 100644
--- "a/docs/03_PLAN/PLAN_02_\351\226\213\347\231\272\343\202\271\343\203\206\343\203\203\343\203\227.md"
+++ "b/docs/03_PLAN/PLAN_02_\351\226\213\347\231\272\343\202\271\343\203\206\343\203\203\343\203\227.md"
@@ -60,7 +60,7 @@
 - **成果物**: 実験群（クラス不均衡対策・モデル比較・入力解像度・マスク外領域の埋め方）とその記録
 - **完了条件**: 各要因の効果が**独立した実験として**切り分けて記録されている
 - **注意**: 共用サーバのため使用する GPU を明示的に指定する
-- **進捗**: クラス不均衡対策（[TEST_04](../06_TEST/TEST_04_クラス不均衡対策の実験.md)）・色特徴分類器との比較（[TEST_05](../06_TEST/TEST_05_色特徴分類器の実験.md)）を実施
+- **進捗**: クラス不均衡対策（[TEST_04](../06_TEST/TEST_04_クラス不均衡対策の実験.md)）・色特徴分類器との比較（[TEST_05](../06_TEST/TEST_05_色特徴分類器の実験.md)）・ハイパーパラメータの比較（[TEST_06](../06_TEST/TEST_06_ハイパーパラメータの比較.md)）を実施
 
 ## Step 8: 結論 (Conclusion)
 
diff --git "a/docs/06_TEST/TEST_06_\343\203\217\343\202\244\343\203\221\343\203\274\343\203\221\343\203\251\343\203\241\343\203\274\343\202\277\343\201\256\346\257\224\350\274\203.md" "b/docs/06_TEST/TEST_06_\343\203\217\343\202\244\343\203\221\343\203\274\343\203\221\343\203\251\343\203\241\343\203\274\343\202\277\343\201\256\346\257\224\350\274\203.md"
new file mode 100644
index 0000000..3a59a69
--- /dev/null
+++ "b/docs/06_TEST/TEST_06_\343\203\217\343\202\244\343\203\221\343\203\274\343\203\221\343\203\251\343\203\241\343\203\274\343\202\277\343\201\256\346\257\224\350\274\203.md"
@@ -0,0 +1,80 @@
+# ハイパーパラメータの比較 (Hyperparameter Sweep)
+
+CNN の学習のハイパーパラメータ（学習率・weight decay・バッチサイズ・入力解像度・学習の長さ）を 1 つずつ変えて，[TEST_04](TEST_04_クラス不均衡対策の実験.md) までの基準の構成と比べた結果（ユーザーの依頼で約 1 時間の枠で実施）．まず seed 42 の分割で 14 通りを試し，効果が見えた入力解像度 320 だけを seed 43・44 でも回して確かめた．
+
+| 項目 | 内容 |
+| --- | --- |
+| 実行日時 | 2026-09-28 12:11〜13:07（約 56 分） |
+| 実行場所 | Archimedes の RTX A6000（GPU 1 の 1 枚．未使用の GPU のみを使用．他の GPU は使用中または利用者ありだった） |
+| 本数 | 18 本（seed 42 で 14 通り＋入力解像度 320 の seed 43・44 を 2 モデル × 2） |
+| 条件 | ややあり除外（TEST_03〜05 で最も良かった条件）．評価は common（「あり」と淡紅）の macro F1 |
+| 基準の構成 | ConvNeXt-Tiny・重み `inverse`（学習率 1e-4）と ResNet-50（学習率 1e-3・対策なし）．いずれも batch 32・weight decay 0.05・入力 224・最大 40 エポック・patience 8 |
+| 設定 | `configs/hparam/`（基準の設定から 1 項目だけを変えたもの） |
+| コード | `d9f67e5-dirty`（コードの変更なし．未コミットの設定ファイルを含むため dirty） |
+
+## seed 42 での比較 (Sweep on Seed 42)
+
+1 項目だけを変えた結果（5 fold の平均）．「内側の検証 F1」は各 fold の早期終了に使った検証データでの最良の macro F1 で，**held_out を見ずに構成を選ぶための値**．「基準との差」は同じ fold どうしの held_out の差．
+
+| モデル | 変更 | 内側の検証 F1 | held_out common F1 | 基準との差 | 上回った fold | 淡白 recall | 紫 recall | 1 本の秒数 |
+| --- | --- | --- | --- | --- | --- | --- | --- | --- |
+| ConvNeXt-Tiny | 基準 | 0.714 | 0.627 ± 0.034 | — | — | 0.57 | 0.37 | 159 |
+| ConvNeXt-Tiny | 学習率 3e-5 | 0.708 | 0.608 ± 0.050 | −0.019 | 1 / 5 | 0.51 | 0.29 | 137 |
+| ConvNeXt-Tiny | 学習率 2e-4 | 0.730 | 0.621 ± 0.020 | −0.005 | 3 / 5 | 0.65 | 0.39 | 180 |
+| ConvNeXt-Tiny | 学習率 4e-4 | 0.691 | 0.598 ± 0.052 | −0.028 | 1 / 5 | 0.59 | 0.48 | 211 |
+| ConvNeXt-Tiny | weight decay 0.005 | **0.731** | 0.627 ± 0.061 | −0.000 | 3 / 5 | 0.66 | 0.32 | 142 |
+| ConvNeXt-Tiny | weight decay 0.2 | 0.695 | 0.614 ± 0.066 | −0.012 | 3 / 5 | 0.67 | 0.46 | 142 |
+| ConvNeXt-Tiny | batch 16 | 0.705 | 0.588 ± 0.092 | −0.039 | 1 / 5 | 0.47 | 0.36 | 210 |
+| ConvNeXt-Tiny | 最大 60 エポック・patience 15 | 0.708 | 0.599 ± 0.069 | −0.028 | 1 / 5 | 0.57 | 0.28 | 189 |
+| ConvNeXt-Tiny | 入力 320 | 0.699 | **0.654 ± 0.078** | **+0.028** | **4 / 5** | 0.66 | 0.32 | 222 |
+| ResNet-50 | 基準 | 0.723 | 0.627 ± 0.056 | — | — | 0.60 | 0.36 | 117 |
+| ResNet-50 | 学習率 3e-4 | 0.683 | 0.633 ± 0.063 | +0.005 | 2 / 5 | 0.48 | 0.28 | 124 |
+| ResNet-50 | 学習率 3e-3 | 0.705 | 0.599 ± 0.031 | −0.029 | 1 / 5 | 0.66 | 0.32 | 82 |
+| ResNet-50 | weight decay 0.005 | 0.709 | 0.641 ± 0.029 | +0.013 | 2 / 5 | 0.63 | 0.41 | 119 |
+| ResNet-50 | weight decay 0.2 | 0.706 | 0.630 ± 0.051 | +0.003 | 2 / 5 | 0.63 | 0.32 | 110 |
+| ResNet-50 | batch 16 | 0.706 | 0.653 ± 0.032 | +0.025 | 3 / 5 | 0.64 | 0.41 | 159 |
+| ResNet-50 | 入力 320 | **0.742** | **0.664 ± 0.096** | **+0.036** | 3 / 5 | 0.58 | 0.45 | 188 |
+
+- 学習率・weight decay・学習の長さは，**今の値（ConvNeXt 1e-4・ResNet-50 1e-3・weight decay 0.05・40 エポック）がほぼ最良**だった．どれを変えても held_out は ±0.03 の範囲で，多くは下がる
+- 内側の検証 F1 で選ぶと，ConvNeXt は weight decay 0.005（held_out は基準と同じ），ResNet-50 は入力 320 になる．内側の検証 F1 と held_out の順位はあまり一致しない（検証データが各 fold 約 100 枚と少ないため）
+- 2 モデルとも held_out が上がったのは**入力 320 だけ**だったので，seed を変えて確かめた
+
+## 入力解像度 320 の確認 (Resolution Check)
+
+seed 42・43・44 の 15 fold で，入力 224（TEST_03・TEST_04 の結果）と 320 を同じ fold どうしで比べた．
+
+| モデル | 入力 224 | 入力 320 | 差（320 − 224） | 320 が上回った fold | seed ごとの差（42 / 43 / 44） | 紫 recall | 1 本の秒数 |
+| --- | --- | --- | --- | --- | --- | --- | --- |
+| ConvNeXt-Tiny（重み inverse） | 0.632 ± 0.060 | 0.634 ± 0.072 | +0.002 ± 0.065 | 8 / 15 | +0.028 / +0.001 / −0.022 | 0.34 → 0.39 | 約 220 |
+| ResNet-50（lr 1e-3） | 0.637 ± 0.062 | **0.653 ± 0.076** | +0.016 ± 0.072 | 8 / 15 | +0.036 / +0.011 / +0.001 | 0.39 → 0.47 | 約 180 |
+
+- **seed 42 で見えた改善は，seed を増やすとほぼ消えた**．ConvNeXt は差なし，ResNet-50 は +0.016 だが上回った fold は半分（8/15）で，ばらつきの範囲内
+- 紫の再現率は 2 モデルとも少し上がった（+0.05〜0.08）．解像度を上げると細部の色むらが見えるという見込み（TEST_04「次の一手」）と矛盾しないが，確かな差ではない
+- ResNet-50・入力 320 の 0.653 は CNN の中では最も高く，色特徴＋ロジスティック回帰（[TEST_05](TEST_05_色特徴分類器の実験.md)．除外で 0.644）とほぼ同じ
+
+## 分かったこと (Findings)
+
+1. **学習のハイパーパラメータを変えても性能はほとんど変わらない**．今の設定はすでに妥当な範囲にあり，ハイパーパラメータの調整で大きく伸ばせる余地は小さい
+2. **seed 1 つ（5 fold）での比較は当てにならない**．seed 42 では +0.03 に見えた入力 320 の効果が，3 seed では +0.00〜0.02 になった．fold 間の標準偏差（0.03〜0.10）が効果の大きさより大きいため，今後の比較も最低 3 seed で行う
+3. 内側の検証 F1（各 fold 約 100 枚）で構成を選んでも held_out の良さとは一致しにくい．選び方を公平にするための入れ子の交差検証は，このデータ量では選択の精度自体が低い
+4. 以上から，CNN の性能の頭打ち（common macro F1 0.63〜0.65）はハイパーパラメータではなく**データ量やラベルのあいまいさ**によるものと考えられる．色特徴だけの分類器が同じ水準に届く（TEST_05）こととも整合する
+
+## 注意 (Caveats)
+
+- 1 項目ずつ変えただけで，組み合わせ（例: 入力 320 ＋ batch 16）は試していない
+- seed 42 だけの比較（上の表）は，どの差もばらつきの範囲内である
+- 条件はややあり除外だけ．ややあり込みでは試していない
+- 重み（`checkpoints/`）は保存したが，Archimedes の共用ディスクを圧迫するためユーザーの判断で削除した（本実験の 18 本ぶん 8.8 GB と TEST_04 の 36 本ぶん 18 GB．削除後の空き 52 GB．TEST_03「サーバの容量について」）．同じ設定で数分で作り直せる
+
+## 次の一手 (Next Steps)
+
+- ハイパーパラメータの調整は打ち切り，性能を伸ばすなら**情報を増やす方向**を試す: CNN と色特徴の併用（アンサンブル），「ややあり」のソフトラベル化
+- 入力 320 は紫の再現率に効いている可能性があるので，併用を試すときの CNN 側の候補に残す
+
+## 実験 ID (Run IDs)
+
+手元の `runs/` に回収済み（`.gitignore` 対象）．名前の `cv_hp_<モデル>_<変更>` が構成を表す．実験 ID の日時は 2026-09-28 12:11〜13:03．
+
+```bash
+ls -d runs/*_cv_hp_*
+```
diff --git a/docs/PROGRESS.md b/docs/PROGRESS.md
index 4c00449..d731f5a 100644
--- a/docs/PROGRESS.md
+++ b/docs/PROGRESS.md
@@ -119,3 +119,14 @@
   - 進め方: ユーザーの指示で Phase 1 の人間の確認を省き，テスト作成と並行してサーバで実験した．GPU は使わず 2 台の CPU で 9 本ずつ回した（計約 30 分．1 本 1〜2 分）
   - 結果: **色特徴＋ロジスティック回帰が CNN と同等以上**．除外で common macro F1 0.644（CNN の最良 0.637 と並ぶ），込みで 0.630（CNN の最良 0.590 を上回り，対応比較で 11〜14/15 fold）．fold 間のばらつきも小さく，込み／除外の差も小さい．重み `inverse` は macro F1 を下げたが，淡白 0.81・紫 0.60 と少数クラスの再現率はこれまでで最高
   - 示唆: 現状のデータ量では CNN が色の統計以上のものを学べていない．次は CNN と色特徴の併用と，どの特徴が効いているかの分析（TIASjudge のルール改良にもつながる）
+
+## Step 7（一部）: ハイパーパラメータの比較
+
+- [x] **学習率・weight decay・バッチサイズ・入力解像度・学習の長さを 1 項目ずつ変えて 18 本を実験**: ユーザーの依頼で約 1 時間の枠（12:11〜13:07）．Archimedes の未使用の GPU 1 枚だけを使った．結果は [TEST_06](06_TEST/TEST_06_ハイパーパラメータの比較.md)．コードの変更はなく設定の追加のみ．
+  - 設計判断 ①: 基準は TEST_04 までで最も良かった 2 構成（ConvNeXt-Tiny・重み inverse／ResNet-50 lr 1e-3）のややあり除外とし，1 項目ずつ変えて効果を切り分けた
+  - 設計判断 ②: 構成の良さは held_out に加えて内側の検証 F1（held_out を見ない値）でも記録した
+  - 進め方: まず seed 42 だけで 14 通りを回し（約 40 分），残り時間で効果が見えた入力 320 だけを seed 43・44 で確かめた
+  - 結果: 今の設定がほぼ最良で，どれを変えても ±0.03 の範囲．seed 42 で +0.03 に見えた入力 320 は，3 seed では ConvNeXt +0.002・ResNet-50 +0.016（いずれも 8/15 fold）とほぼ消えた
+  - 失敗パターン: seed 1 つ（5 fold）の比較は fold 間のばらつき（標準偏差 0.03〜0.10）に埋もれて当てにならない → 今後の比較は最低 3 seed で行う
+  - 示唆: 性能の頭打ち（0.63〜0.65）はハイパーパラメータではなくデータ量・ラベルのあいまいさによる．伸ばすなら CNN と色特徴の併用など情報を増やす方向
+  - 対応済み: 本実験と TEST_04 の重み（計約 27 GB）が Archimedes の共用ディスク（残り 35 GB・98%）を圧迫していたため，ユーザーの判断で削除した（空き 52 GB に回復）．重みを保存するかを設定で選べるようにする対応は未実施