近年、エネルギーに基づくモデル（Energy-based Models, EBMs）はコンピュータビジョン分野でますます注目を集めている。生成モデルとしての画像モデリングに広く用いられる一方で、最近の研究では回帰タスクへの応用も進み、物体検出や視覚追跡において最先端の性能を達成している。しかしながら、EBMの学習は困難であることが知られており、生成モデリングにおけるさまざまな手法が検討されているものの、回帰タスクへのEBMの適用はまだ十分に研究されていない。そのため、EBMを回帰タスクに最適に学習する方法が今なお不明である。本研究では、この問題に対する初めての詳細な分析を実施することを目的とする。そのために、ノイズ対比推定（Noise Contrastive Estimation, NCE）のシンプルながら極めて有効な拡張手法を提案し、1次元回帰および物体検出というタスクにおいて、文献に登場する6つの代表的な手法と慎重に性能比較を行った。比較結果から、本研究で提案する学習法が最も推奨されるアプローチであることが示された。さらに、この手法を視覚追跡タスクに適用したところ、5つのデータセットにおいて最先端の性能を達成した。特に、LaSOTデータセットでは63.7%のAUC、TrackingNetでは78.7%のSuccess率を達成した。実装コードは以下のGitHubリポジトリで公開されている：https://github.com/fregu856/ebms_regression。