隠れ層
隠れ層（中間層）は、ニューラルネットワークにおいて入力層と出力層の間に配置される層のことです。外部から直接見えない内部で、入力されたデータから複雑なパターンや特徴量を段階的に抽出・変換する役割を持ちます。この層を何重にも重ねることでディープラーニングが実現可能となり、高度な認識タスクに対応します。
ディープラーニングのAI用語一覧（2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2ページ目です。
行列演算
行列演算とは、複数の数値を格子状に並べた行列同士の足し算や掛け算などの計算のことです。AIやディープラーニングにおいて膨大なデータを効率的に処理するための基礎となる数学的手法であり、現代のAI技術を支える不可欠な要素となっています。
勾配爆発
勾配爆発とは、ディープラーニングの学習時に誤差逆伝播法を通じて勾配が急激に大きくなりすぎる現象です。パラメータが過剰に更新され、数値が不安定になって学習が破綻する原因となります。適切な勾配クリッピングや活性化関数の選定が対策として重要です。
TPU
TPU（Tensor Processing Unit）は、Googleがディープラーニングの処理を高速化するために独自開発したAI専用のプロセッサです。大規模な行列演算に特化した設計となっており、通常のCPUやGPUと比較して、巨大な人工知能モデルの学習や推論を低消費電力かつ効率的に実行できる特徴を持ちます。
オートエンコーダー
オートエンコーダーは、入力データを一度圧縮して元のデータを復元するように学習する教師なし学習のニューラルネットワークです。データを圧縮するエンコーダーと、復元するデコーダーから構成され、データの次元削減やノイズ除去、異常検知などに広く活用されています。非線形な特徴を抽出できる点が大きな特徴です。
畳み込みニューラルネットワーク
畳み込みニューラルネットワーク（CNN）は、画像認識などの格子状のデータ処理に特化したディープラーニングの一種です。画像の特徴を効率的に抽出する「畳み込み層」と、位置のズレに対する耐性を高める「プーリング層」を組み合わせることで、高精度なパターン認識を実現し、自動運転や画像診断などの分野に大きく貢献しています。
局所的極大解
局所的極大解とは、数理最適化や機械学習において、ある特定の狭い範囲の中で関数の値が最大（スコアが最大）となる状態のことです。全体における真の最大値（大域的極大解）とは限らず、探索の途中でこの状態に陥ると、より優れた最適解に到達できなくなるという課題が存在します。
非線形
非線形とは、入力と出力の関係が単純な比例関係（直線）にならない状態や性質のことです。AIや機械学習において、現実世界の複雑なデータやパターンを捉えるために不可欠な概念です。ニューラルネットワークは「活性化関数」と呼ばれる非線形な関数を組み合わせることで、従来の線形モデルでは表現できなかった高度な予測や識別を実現しています。
カーネルサイズ
カーネルサイズとは、畳み込みニューラルネットワークにおけるフィルタの大きさを指します。画像認識や特徴抽出の精度と計算コストに大きな影響を与える重要なハイパーパラメータです。
CUDA
CUDAとは、NVIDIAが開発したGPU向けの汎用並列コンピューティングプラットフォームおよびプログラミングモデルです。AI開発やディープラーニングの学習・推論において不可欠な技術であり、大量の数値を高速に処理することを可能にします。
出力層
出力層とは、ニューラルネットワークの構造において、最終的な結果や予測を出力する一番最後の層のことです。入力データから中間層を経て抽出された特徴をもとに、分類や回帰などのタスクに応じた最終的な数値を算出し、AIモデルの判断を外部へ伝えます。
ディープニューラルネットワーク
ディープニューラルネットワーク（DNN）とは、人間の脳の神経回路網を模したニューラルネットワークの隠れ層を多層に重ねた機械学習モデルです。入力層と出力層の間に複数の隠れ層を持つことで、画像処理や自然言語処理などの複雑なデータから高精度な特徴抽出が可能となり、現代のディープラーニング技術の中核を担っています。
非自己回帰モデル
非自己回帰モデルとは、テキストや音声などのシーケンスデータを生成する際、各要素を依存関係なく同時に並列出力するニューラルネットワークモデルです。従来の自己回帰モデルが1トークンずつ順番に生成していたのに対し、非自己回帰モデルは並列処理によって推論速度を劇的に向上させられる点が大きな特徴です。
行列
行列とは、数やデータを縦と横の格子状に並べた数学的な構造です。AIや機械学習の分野では、膨大なデータを効率的に処理し、ニューラルネットワークの計算や重みの表現を行うための基本的な道具として欠かせない役割を果たしています。
エポック数
エポック数とは、機械学習やディープラーニングのモデル訓練において、訓練データ全体を完全に1回学習し終える単位を指す数値です。全体のデータセットを何周させてパラメーターを最適化するかを表します。適切に設定することで予測精度の向上が期待できますが、大きすぎると過学習を招くため慎重な調整が求められます。
重みパラメータ
重みパラメータとは、ニューラルネットワークにおいて入力データが結果にどれほど影響を与えるかを決定する数値のことです。AIの学習プロセスでは、この値を調整することで予測精度を向上させます。
プーリング
プーリングとは、畳み込みニューラルネットワークなどの画像認識モデルにおいて、特徴マップのサイズを縮小して計算量を削減し、位置のずれに対する頑健性を高める処理です。最大値を選択する最大プーリングや平均値を算出する平均プーリングがあり、要点を保持しながらデータ量を圧縮するために用いられます。
誤差逆伝播法
誤差逆伝播法とは、ニューラルネットワークの学習において、出力された予測値と正解との誤差を計算し、その情報を出力層から入力層に向かって逆向きに伝えることで、各パラメータを効率的に更新するアルゴリズムです。深層学習の発展に不可欠な技術であり、多層のネットワークでも高速に学習を収束させることを可能にしました。
パーセプトロン
パーセプトロンとは、人間の脳神経細胞の仕組みを模して作られた、人工ニューラルネットワークの最も基礎的なアルゴリズムです。複数の入力を受け取り、重み付けをして判定結果を出力するシンプルな構造を持ち、ディープラーニングの原点として知られています。AIの歴史における重要なマイルストーンです。
ボイスクローニング
ボイスクローニングとは、AI技術を用いて特定の人物の音声を学習し、その人そっくりの声色や話し方を再現する技術です。数秒から数分程度の音声サンプルがあれば高精度な合成音声を作り出せるため、エンタメやアクセシビリティ分野で活用が期待されています。
畳み込み層
畳み込み層は、畳み込みニューラルネットワーク（CNN）の中心となる層であり、画像や音声などのグリッド状データから局所的な特徴を効率的に抽出する役割を持ちます。AIによる画像認識や物体検出などの分野で不可欠な技術です。
CNN
CNN（畳み込みニューラルネットワーク）とは、画像認識やパターン認識に長けたディープラーニングモデルです。画像をそのままの格子状構造で扱い、「畳み込み層」と「プーリング層」を用いて空間的な特徴を効率的に抽出します。顔認証や医療画像診断、自動運転などに広く応用され、現代のAI技術を支える基盤となっています。
認識的不確実性
認識的不確実性とは、AIモデルの知識不足や学習データの不足によって生じる不確実性のことです。十分なデータを集めて追加学習を行うことで、この不確実性を減少させることが可能という特徴を持ちます。自動運転の安全性評価や、アクティブラーニングにおいて、モデルが『何を知らないか』を定量化し、信頼性の高い意思決定を行うために極めて重要な指標です。
イテレーション数
イテレーション数とは、機械学習やディープラーニングのモデル訓練において、ミニバッチを用いてモデルのパラメータを更新する処理を何回繰り返したかを表す回数です。AIの学習進度や完了を管理する上で重要な指標となります。