本研究では,メトリックラーニングの代表的な手法であるMahalanobis Metric for Clustering (MMC)に着目する.MMCでは,学習データ数の増加や入力データの高次元化により計算量が著しく増加してしまうことが知られている.本研究ではこの問題の解決のため,学習データと特徴次元をランダムに削減し,その下で計量行列を学習する作業を繰り返して結合する手法を提案し,分類精度維持と計算量削減を図る.ベンチマークデータと人工データを用いた評価実験を行い,分類精度と計算量両面から提案手法の有効性を示す.