EfficientNet
EfficientNet（エフィシェントネット）は、Googleの研究者によって提案された、高い画像認識精度と優れた計算効率を両立する畳み込みニューラルネットワーク（CNN）のアーキテクチャです。モデルの深さ、幅、入力画像の解像度の3つの要素をバランスよく同時にスケールアップする「複合スケーリング」という新しい手法を導入した点が最大の特徴です。
ディープラーニングのAI用語一覧（11ページ目）
364件ディープラーニングに関するAI用語を364件掲載しています。意味や使い方、関連用語を一覧から確認できます。 現在は11ページ目です。
バイニアレス補間
バイニアレス補間（一般的にはバイリニア補間または双線形補間と呼ばれる）とは、画像処理やディープラーニングにおいて、画像の拡大・縮小や特徴マップのアップサンプリングを行うための補間アルゴリズムです。周囲の4画素のピクセル値から線形補間を二次元に適用して新しい画素値を計算し、滑らかな画像を出力します。
生成的敵対ネットワーク
生成的敵対ネットワーク（GAN）は、生成器と識別器という2つのニューラルネットワークを競い合わせることで、高精度な偽データを作り出す機械学習のフレームワークです。ディープラーニング分野において画像生成やデータ拡張などに広く活用されています。
剪定
剪定（プルーニング）とは、AIモデルやニューラルネットワークにおける不要なパラメータや接続を削減し、精度を大きく落とさずにモデルサイズを軽量化する技術です。計算コストやメモリ消費を抑え、スマホやエッジデバイスでのAI処理を高速化・効率化するために活用されています。
巨大言語モデル
巨大言語モデル（LLM）とは、膨大なテキストデータとディープラーニングを活用して人間の言葉を理解・生成するAIモデルです。文章の要約や翻訳、対話など幅広いタスクを高精度で実行できることから、現在の生成AIブームの中心的な技術となっています。
局所的最小値
局所的最小値とは、機械学習やディープラーニングのモデル学習において、広範囲ではなく周辺の一帯の中で最も損失関数の値が小さくなる点のことを指します。全体の最適解である大域的最小値とは異なり、ここで学習が停滞するとモデルの精度向上が頭打ちになる課題を持ちます。
モデルチェックポイント
モデルチェックポイントは、機械学習モデルの訓練中における特定の時点でのパラメータや学習状態を保存したデータです。長時間の学習プロセスが中断した際の再開や、過学習が起きる前の最適な状態への巻き戻し、さらには特定の状態からのファインチューニングの起点として活用されます。効率的で安全なAIモデル開発に欠かせない仕組みです。
モデルパラメーター
モデルパラメーターとは、AIや機械学習モデルの内部にある調整可能な数値のことであり、学習データを通じて自動的に最適化されます。モデルの予測精度を左右する極めて重要な要素であり、大量のデータからパターンを抽出する基盤となります。
Word2Vec
Word2Vecは、大量のテキストデータから単語を多次元のベクトルに変換する機械学習の手法です。単語の持つ意味や文脈上の役割を数値化（分散表現）することで、単語同士の意味の近さを計算したり、単語の足し算・引き算といった演算を行ったりすることを可能にしました。現代の自然言語処理における基礎技術の一つです。
ニューラル機械翻訳
ニューラル機械翻訳（NMT）は、ディープラーニングを応用した高精度な自動翻訳技術です。文章全体をひとつのニューラルネットワークで処理することにより、文脈を考慮した極めて自然で流暢な翻訳を実現します。Google翻訳やDeepLなどのサービスに採用されており、従来の翻訳技術を大きく上回る精度を誇ります。
モデル崩壊
モデル崩壊（Model Collapse）とは、AIが生成したデータを次の世代のAIの学習に繰り返し使用することで、出力の多様性が失われ、最終的に実用的な出力を生成できなくなる現象です。合成データへの過度な依存によって発生し、元々のデータ分布の端にある稀な情報が失われ、ありふれた表現ばかりが生成されるようになります。
ゲートネットワーク
ゲートネットワークとは、Mixture of Experts（MoE）などの複合的なAIアーキテクチャにおいて、入力データに応じてどのエキスパートモデルへ処理を割り振るかを動的に決定する仕組みです。適切なルーティングを行うことで、モデル全体の計算効率を高めつつ高い処理能力を実現します。大規模言語モデルの高速化と高精度化において非常に重要な技術です。
アルファフォールド
Google DeepMindが開発した、アミノ酸配列からタンパク質の3次元立体構造を高精度に予測するAIシステム。生物学の難問であった「タンパク質折りたたみ問題」をディープラーニング技術によって解決し、創薬研究や病気のメカニズム解明、酵素設計などのライフサイエンス分野を劇的に進化させました。
フレーム補間
「フレーム補間」とは、連続する動画フレームの間に新たな中間フレームを自動生成して挿入し、動画の動きを滑らかにする技術です。近年はディープラーニングの発展により、複雑な動きや物体の重なりを高精度に予測・描画できるようになりました。高フレームレート化による滑らかな映像表現や、スローモーション映像の作成などに広く活用されています。
合成音声
合成音声とは、コンピュータを用いて人工的に作り出された人間の声のような音声のことです。従来はあらかじめ録音された音素を組み合わせる手法が中心でしたが、近年ではディープラーニングや生成AIの進歩により、テキスト情報から極めて自然で感情豊かな音声を直接生成できるようになりました。
量子化認識訓練
量子化認識訓練（QAT）は、ニューラルネットワークの学習時に量子化の誤差をあらかじめ組み込んで最適化する手法です。通常の訓練後に量子化を行う事後量子化と比べて精度低下が非常に少なく、軽量で高精度なモデルを生成できるため、エッジデバイスへの展開に広く活用されています。
複合スケーリング
複合スケーリングとは、ディープラーニングモデルの精度と効率を同時に最大化するため、ネットワークの深さ、幅、解像度の3つの要素をバランスよく同時に拡張する手法です。従来の一つの要素だけを大きくする方法に比べて、計算資源を効率的に使いながら高いパフォーマンスを実現できる点が特徴です。
ポスト訓練量子化
ポスト訓練量子化（PTQ）は、すでに学習（訓練）が完了したディープラーニングモデルの重みや活性化関数を、再学習を行うことなく低ビット（例：32ビット浮動小数点から8ビット整数）に変換する技術です。計算量とメモリ消費量を大幅に削減し、エッジデバイスへの実装を容易にします。
入力ゲート
入力ゲートとは、LSTMなどのリカレントニューラルネットワークにおいて、新しい情報をどの程度セル状態に記憶すべきかを制御する仕組みです。情報の取捨選択を行うことで、長期的な文脈の保持を可能にします。
自己符号化モデル
自己符号化モデルは、入力データを一度小さな次元や別の表現に圧縮し、そこから元のデータを復元することでデータの重要な特徴を自ら学習するニューラルネットワークです。教師なし学習の代表的な手法であり、次元削減やノイズ除去などに広く利用されています。
幾何学的ディープラーニング
幾何学的ディープラーニングは、従来のグリッド状データだけでなく、グラフや多様体などの不規則な幾何学的構造を持つデータを効率的に処理するためのディープラーニングの枠組みです。物理シミュレーションや分子構造解析など、複雑な関係性を持つデータの学習において重要な役割を果たします。
マルチモーダルモデル
マルチモーダルモデルとは、テキストや画像、音声、動画など複数の形式のデータを同時に処理・理解・生成できるAIモデルです。視覚と言語を組み合わせた高度な推論が可能であり、画像解説や音声応答など幅広い応用が進んでいます。単一のデータを扱うモデルに比べ、人間により近い多角的な状況理解を実現します。
Mixture of Experts
Mixture of Expertsは、巨大なニューラルネットワークを複数の専門家モデルに分割し、入力データに応じて最適な専門家を選択して処理を行う仕組みです。計算量を抑えつつモデルの性能を大幅に向上させることができるため、大規模言語モデルなどで広く活用されています。
重みデータ
重みデータとは、ニューラルネットワークなどの機械学習モデルにおいて、入力データに対する重要度や影響度を数値化したパラメータです。学習プロセスを通じて最適化され、AIの予測や判断の精度を決定づける中核的な役割を持ちます。