再帰型ニューラルネットワーク（RNN）
再帰型ニューラルネットワーク（RNN）は、時間の経過に伴うデータや文章などの時系列データを扱うためのディープラーニング手法です。過去の情報を内部状態として保持しながら処理を行う循環構造を持ち、自然言語処理や音声認識、時系列予測などの分野で広く活用されてきました。最新モデルの基礎となった重要な技術です。
ディープラーニングのAI用語一覧（14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14ページ目です。
タンパク質の立体構造予測
タンパク質の立体構造予測とは、アミノ酸配列の情報をもとにタンパク質が形成する複雑な3次元構造を計算機やAIで予測する技術です。実験には数か月以上かかる構造解析を数分から数時間で高精度に行えるようになり、病気のメカニズム解明や新しい医薬品の開発など生命科学分野を大きく進化させています。
背景除去
背景除去とは、画像や動画から被写体だけを残し、周囲の背景を自動で消去または透明化するAI技術です。コンピュータビジョンやディープラーニングの発展により、髪の毛の細かい部分なども高精度に切り抜くことが可能になりました。
タンパク質立体構造予測
タンパク質立体構造予測とは、アミノ酸の配列情報からタンパク質の3次元立体構造を予測する技術です。AIやディープラーニングの進化により、AlphaFoldなどの革新的な予測モデルが登場しました。これにより、従来は実験で長期間かかっていた構造解析が超高速かつ高精度で行えるようになり、創薬や生命科学の研究を劇的に加速させています。
NAS (ニューラルアーキテクチャ探索)
NAS（ニューラルアーキテクチャ探索）は、ディープラーニングにおいて最適なニューラルネットワークの構造を自動的に設計・最適化する技術です。従来は専門家が手動で試行錯誤していたネットワーク設計をアルゴリズムが自動で行うため、高性能なAIモデルの効率的な開発が可能となり、自動化技術（AutoML）の根幹をなしています。
動画生成AI
動画生成AIは、テキストの指示や静止画を入力することで、自動的に高品質な動画コンテンツを作り出す人工知能技術です。ディープラーニングを活用し、物理法則や自然な動きを学習することで、短時間でリアリティのある映像やアニメーションを生成できます。エンターテインメントや広告制作など幅広い分野での活用が進んでいます。
スキップ接続
スキップ接続とは、ニューラルネットワークにおいて途中の層を飛び越えてデータを次の層へ直接伝える手法です。ディープラーニングの多層化に伴う勾配消失問題を軽減し、効率的な学習と高精度なモデル構築を可能にするため、現代の深層学習アーキテクチャに欠かせない技術となっています。
量子化学習
量子化学習（QAT）とは、ディープラーニングモデルの数値精度をあらかじめ低ビット化（量子化）した状態を模擬しながら行う学習手法です。通常の高精度浮動小数点数を整数などに圧縮する際生じる誤差の影響を訓練時に反映するため、モデル軽量化に伴う精度低下を最小限に抑え、エッジデバイスでの高速な推論を実現します。
長短期記憶
長短期記憶（LSTM）は、時系列データや言語データなどの連続した情報を扱うディープラーニングモデルの一種です。従来の再帰型ニューラルネットワークが抱えていた勾配消失問題を克服し、長期間の過去の情報を保持しながら学習できるように設計されています。自然言語処理や音声認識、時系列予測などの分野で幅広く活用されています。
双方向アテンション
双方向アテンションとは、Transformerなどのニューラルネットワークにおいて、テキストなどの系列データを処理する際、ある要素の前後（過去と未来）の両方向の文脈を同時に考慮して関連度を計算する仕組みです。BERTなどの事前学習モデルの基礎技術として採用されており、文脈全体の深い理解を可能にします。
一方向アテンション
一方向アテンションとは、Transformerモデルにおいて、ある単語を処理する際にそれ以降（未来）の単語へのアテンション（注目）を遮断し、それ以前（過去）の単語のみに注目させる仕組みです。主にGPTなどの自動回帰的な大規模言語モデルのデコーダ部分で、文章の逐次生成を正しく行うために使用されます。
混在精度演算
混在精度演算とは、ディープラーニングのモデル訓練や推論において、FP32などの高精度なデータ型とFP16などの低精度なデータ型を組み合わせて計算を行う技術です。計算速度の向上とメモリ消費量の削減を同時に実現し、モデルの予測精度低下を最小限に抑えながら学習効率を劇的に高めることができます。
AI半導体
AI半導体とは、機械学習やディープラーニングの膨大な計算を効率的に処理するために特化した半導体チップです。従来の汎用的なCPUに比べ、並列処理能力や省電力性に優れており、生成AIの開発やデータセンター、エッジデバイスにおいて不可欠な基盤技術として急速に普及しています。
白色雑音
白色雑音（ホワイトノイズ）とは、すべての周波数成分が均等に含まれるランダムな信号です。時系列解析や信号処理の基礎であるだけでなく、AI分野においてはデータ拡張による過学習の防止や、拡散モデルをはじめとする生成AIの初期入力など、ノイズから新しいデータを創り出すための極めて重要な基礎技術として活用されています。
マルチヘッドアテンション
マルチヘッドアテンションは、トランスフォーマーの中核となる仕組みであり、入力データに対して複数の異なる視点や側面から同時に注意を向けることで、文脈や関係性を多角的に捉えることができる技術です。
超解像技術
超解像技術とは、低解像度の画像や映像をAI（ディープラーニングなど）を用いて、ボケや劣化を抑えつつ高精細な高解像度画像へと変換する技術です。従来のピクセル補間とは異なり、不足している細部のデータをAIが予測・生成することで、非常に自然で美しい映像を復元できます。映像配信や医療、防犯など幅広い分野で活用されています。
ゲノム解析
ゲノム解析とは、生物の持つすべての遺伝情報をAIや機械学習を活用して効率的かつ網羅的に読み解く技術です。医療の個別化や創薬の分野で革新的な成果をもたらしています。
WaveNet
WaveNetは、GoogleのDeepMindが開発した音声合成のためのディープラーニングモデルです。従来の波形処理とは異なり、音声の波形データを直接生成することで、人間と聞き分けがつかないほど自然で滑らかな音声を合成することを可能にしました。
潜在ベクトル
潜在ベクトルとは、画像や文章などの高次元なデータを、本質的な特徴を保持したまま圧縮して表現した数値の配列です。オートエンコーダや生成AIなどのディープラーニングモデル内部で用いられ、データの重要な情報を低次元の潜在空間上で効率的に扱うために不可欠な概念です。
RPN
RPN（Region Proposal Network）は、画像の中から物体が存在しそうな領域を効率的に予測するためのディープラーニングモデルの構成要素です。主に物体検出の分野で利用され、従来の手法よりも高速かつ高精度な領域提案を実現します。
ネットワーク層
ニューラルネットワークを構成する基本的な単位であり、入力されたデータに特定の計算処理を施して次の階層へと受け渡す役割を持つ機能単位です。ディープラーニングでは、このネットワーク層を多段に積み重ねることで、データに潜む複雑な特徴パターンを段階的に抽出・学習することが可能になります。
深度
AIにおける「深度」とは、ニューラルネットワークにおける入力層から出力層までの「層の数（深さ）」を指す言葉です。深度が深いネットワークほど、単純なパターンから高度で抽象的な特徴量までを段階的に学習する高い表現力を持つようになります。ディープラーニングの発展において、この深度を効率的に増やす手法が盛んに研究されています。
セルフ・スーパーバイズド・ラーニング
セルフ・スーパーバイズド・ラーニング（自己教師あり学習）は、正解ラベルのない大量のデータから、データ自身を教師として特徴量を効率的に獲得する機械学習の枠組みです。事前学習などで広く活用されています。
ビジョン・トランスフォーマー
Vision Transformerは、自然言語処理で高い成果を上げたTransformerの仕組みを画像認識分野に応用したディープラーニングモデルです。画像をパッチに分割して入力し、自己注意機構によって全体的な文脈を捉える点が特徴です。