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。
ディープラーニングのAI用語一覧（12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12ページ目です。
因果的アテンション
因果的アテンションは、機械学習のトランスフォーマーモデルにおいて未来の情報を参照しないように制限する仕組みです。生成AIがテキストの次の単語を予測する際や文章を順番に生成するタスクにおいて必須の技術となっています。
順伝播型ニューラルネットワーク
順伝播型ニューラルネットワーク（FNN）は、情報が一方向にのみ伝播する最も基本的なニューラルネットワークの構造です。入力層から中間層、出力層へとデータが逆戻りすることなく進むため、構造が単純で計算が安定しているのが特徴です。画像分類や回帰分析などの様々なタスクの基礎として広く用いられています。
ベースモデル
ベースモデルとは、大量のデータを用いて事前に学習された、特定のタスクに特化する前の大規模なAIモデルのことです。このモデルに特定のデータやタスクを追加学習（微調整）させることで、様々な応用アプリケーションを効率的に開発できます。基盤モデル（ファウンデーションモデル）とほぼ同義、またはその出発点として使われます。
骨格推定
骨格推定とは、画像や動画から人間などの対象物の関節や身体の主要な部位の位置を検出し、骨格の構造を推定するコンピュータビジョンの技術です。AIを活用することで、動的な動作の解析や姿勢の認識が高精度に行えるようになり、スポーツのフォーム分析や医療のリハビリテーションなど幅広い分野で活用されています。
PointNet
PointNetは、3Dの点群データを変換せずに直接入力として受け取り、物体の分類やセグメンテーションを行うディープラーニングモデルです。順序のない点群データの性質を処理するため、対称関数を用いた画期的なアーキテクチャを採用しており、自動運転やロボティクスなどの3D空間認識分野において広く活用されています。
学習済み
学習済みとは、AIモデルが大量のデータを使ってあらかじめ計算処理を行い、データの特徴やパターンを習得した状態のことです。ゼロから計算を行う必要がないため、モデルをすぐに活用したり、少ないデータで特定の用途に合わせて再調整したりできます。現代のAI開発において開発コストを大幅に削減するための基盤となる重要な概念です。
再帰的なニューラルネットワーク
再帰的なニューラルネットワーク（RNN）は、内部にループ構造を持ち、時系列データや言語などの順序を持ったデータを処理できるニューラルネットワークです。過去の情報を記憶しながら新しい入力を処理できる点が特徴です。
ONNX Runtime
ONNX Runtimeは、さまざまなフレームワークで訓練された機械学習モデルを効率的に実行するための高性能な推論エンジンです。ハードウェアの性能を最大限に引き出し、迅速かつ安定したモデルの実行を可能にします。
積和演算
積和演算（MAC）とは、乗算（掛け算）を行った結果を、特定の値に加算（足し算）していく計算処理のことです。ディープラーニングの重み付けや行列積の計算において大量に実行されるため、AI処理の高速化を左右する最も基本的な演算子となっています。GPUやNPUなどのハードウェアでは、積和演算を効率的に処理する専用ユニットが備わっています。
ダブルDQN
Double DQNは強化学習手法のDQNにおける過大評価バイアスを軽減し、安定した学習を実現するためのアルゴリズムです。行動選択と価値評価のネットワークを分離することで、より正確な報酬予測を可能にします。
位置エンコーディング
位置エンコーディングは、 Transformer などのニューラルネットワークにおいて、入力データの順序や位置の情報をモデルに伝えるための技術です。並列処理を行うため単語の出現順序を認識できないモデルに対し、単語の 埋め込みベクトル に位置情報を表すベクトルを加算することで、文脈や文法的な順序関係を正しく理解させます。
表現学習
表現学習とは、コンピューターがAIモデルにとって処理しやすいデータの抽象的な特徴を自動的に抽出・獲得する機械学習の手法です。手動による特徴量設計の負担を減らし、画像認識や自然言語処理などの性能を大きく向上させる基盤となっています。
DDPG
DDPG（Deep Deterministic Policy Gradient）とは、連続値の行動空間を持つ環境に対して効率的な学習を行う、ディープラーニングを活用した強化学習アルゴリズムの一つです。Q学習と方策勾配法を組み合わせたアクター・クリティック方式を基盤としています。
深層Qネットワーク
深層Qネットワークとは、強化学習にディープラーニングを組み合わせることで、複雑な環境下での意思決定を可能にしたアルゴリズムです。エージェントが試行錯誤を通じて最適な行動を学習し、ゲームの攻略やロボット制御などで高い成果を上げています。
フォワードパス
フォワードパスとは、ニューラルネットワークにおいて入力データをモデルの最初から最後まで一方向に流し、予測値を出力するプロセスのことです。順伝播とも呼ばれ、AIが推論を行う際の基本動作となります。
蒸留モデル
蒸留モデルとは、巨大な高性能AIモデル（教師モデル）の知識を軽量な小規模モデル（生徒モデル）へ効率的に引き継ぎ、精度を大きく落とさずに処理速度の向上や省メモリ化を実現したAIモデルのことです。
構造変異
構造変異とは、ゲノム塩基配列において50塩基対以上の規模で発生する、挿入、欠失、重複、逆位、転座などの大規模な遺伝子的変化のことです。疾患リスクの解明や個別化医療において極めて重要であり、近年では高精度な検出や解析を行うために、ディープラーニングをはじめとする機械学習技術が活用されています。
WGAN
WGAN（Wasserstein GAN）は、従来のGANが抱えていた学習の不安定さやモード崩壊といった課題を解決するために提案された深層学習モデルです。確率分布間の類似度を測る指標としてワッサースタイン距離を導入することで、勾配消失を防ぎ、安定した高品質な画像生成などの学習を実現します。
神経細胞
生物の脳を構成し、情報の伝達と処理を行う基本単位です。人工知能の分野では、この神経細胞の仕組みを数式的に模した「人工ニューロン」が、ディープラーニングなどのニューラルネットワークを構築する基礎となっています。
フィードフォワードニューラルネットワーク
計算や情報の伝播が一方向にのみ進む最も基本的な人工ニューラルネットワーク構造。入力層から隠れ層を経て出力層へとデータが順方向に伝わるため、ループ構造を持たない点が特徴です。画像分類や数値予測などの基礎モデルとして広く活用されています。
タンパク質構造予測
タンパク質構造予測とは、アミノ酸配列の情報をもとにタンパク質の立体構造をコンピュータで予測する技術です。近年、AlphaFoldに代表されるディープラーニング技術の進化により、従来の実験手法に匹敵する高精度な予測が可能となり、創薬研究や生命科学の飛躍的発展に寄与しています。
パラメタ数
パラメタ数とは、AIモデルが学習を通じて調整する内部変数の総数です。一般にこの数が多いほどモデルの表現力や複雑なタスクへの適応力が高まりますが、膨大な計算資源とデータが必要になります。
最適化手法
最適化手法とは、AIモデルの予測誤差を表す損失関数を最小化し、内部のパラメータを最適な値に調整するための計算アルゴリズムです。勾配降下法やアダムなどが代表例であり、ディープラーニングを含む機械学習モデルの学習プロセスにおいて、予測精度や収束スピードを大きく左右する非常に重要な役割を果たします。