U-Net
U-Netは、医療画像などのセグメンテーションを目的に開発された畳み込みニューラルネットワークです。アルファベットのU字に似た特徴的な構造を持ち、少量のデータでも高精度なピクセル単位の画像分類を実現します。
ディープラーニングのAI用語一覧（3ページ目）
71件ディープラーニングに関するAI用語を71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3ページ目です。
GAN
GAN（Generative Adversarial Network）とは、生成ネットワークと識別ネットワークという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深層学習の枠組みです。画像生成などで大きな成果を上げています。
Transformer
Transformerは、2017年に提案されたディープラーニングのアーキテクチャです。入力データ内の関連性を効率的に計算するアテンションメカニズムを活用し、従来の再帰型ニューラルネットワークに比べ並列処理性能を飛躍的に向上させました。現代の大規模言語モデルや画像認識モデルの基盤技術として広く利用されています。
Stable Diffusion
Stable Diffusionは、テキストの指示から高品質な画像を生成できるオープンソースの深層学習モデルです。潜在拡散モデルを採用しており、消費者向けの一般的なパソコンでも実行できる手軽さから、クリエイティブ分野や研究開発で広く活用されています。
中間層
中間層とは、人工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位置する階層の総称です。入力されたデータから複雑な特徴やパターンを自動的に抽出し、高度な判断や予測を行うためのディープラーニングの根幹を担う重要な仕組みです。
勾配クリッピング
勾配クリッピングは、ニューラルネットワークの学習時に発生する勾配爆発を防ぐため、算出された勾配の大きさに閾値を設けて制限する技術です。過度に大きな勾配を切り詰めることで、パラメータの更新を安定させ、学習を正常に収束させることができます。
再帰型ニューラルネットワーク
再帰型ニューラルネットワーク（RNN）は、時系列データや文章などのシーケンスデータを扱うために設計されたディープラーニングの基本モデルです。過去の情報を内部状態として保持し、次の入力へ引き継ぐ再帰構造を持つため、データの前後関係や文脈を考慮した高度な予測や解析が可能です。テキスト生成や音声認識など幅広い分野で利用されています。
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。
自己教師あり学習
自己教師あり学習とは、人間の手による正解ラベルを付与せずに、データ自身から教師信号を作り出して効率的な特徴表現を学ぶ機械学習のパラダイムです。大規模な事前学習モデルの基盤技術として、近年の生成AIの発展に大きく貢献しています。
エンコーダ
エンコーダとは、入力されたデータをコンピュータが処理しやすい形や別の表現に変換する仕組みのことです。自然言語処理や画像認識などのAI分野で広く活用されており、データの意味や特徴を効率的に抽出する役割を担っています。
識別器
識別器とは、入力されたデータがどのカテゴリに属するかを判定する機械学習アルゴリズムやモデルのことです。画像認識やスパムメール判定など、AIのさまざまな分類タスクにおいて中心的な役割を果たしています。
BERT
BERTはGoogleが開発した自然言語処理モデルです。Transformerを双方向に学習する仕組みにより、文脈を深く理解でき、AIの言語理解能力を飛躍的に向上させました。
並列処理
並列処理とは、コンピュータにおいて複数の計算を同時に実行する技術です。AIやディープラーニングの分野では、膨大な数のパラメータを持つニューラルネットワークの学習や推論を高速化するために、GPUなどのマルチコアプロセッサを用いた並列処理が不可欠となっています。限られた時間で大量のデータを処理するための基盤技術です。
RNN
RNN（Recurrent Neural Network）は、時系列データや自然言語などの順序を持つ情報を処理するために設計されたニューラルネットワークです。過去の出力を記憶しながら処理を進める点が特徴ですが、長距離の依存関係学習には勾配消失問題などの限界があります。
アテンションメカニズム
アテンションメカニズムは、ディープラーニングにおいて入力データ全体のなかから重要な部分に選択的かつ動的に注目し、計算資源を割り当てる技術です。機械翻訳や文章生成の精度を飛躍的に向上させました。
ストライド
ストライドとは、CNNなどの畳み込み層においてフィルターを移動させる際のステップ幅のことです。値が大きいほど出力マップのサイズが小さくなり、計算効率が向上しますが、詳細な特徴量が失われるトレードオフがあります。
有効受容野
有効受容野とは、ニューラルネットワークの出力層の特定のニューロンが、入力画像やデータのどの範囲から強く影響を受けているかを示す領域です。理論上の受容野よりも狭い範囲に影響が集中する特性があり、モデルの動作理解や性能向上に重要な役割を果たします。
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。
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。
デコーダー
デコーダーとは、AIや機械学習の分野において、エンコーダーなどが処理した潜在表現や数値データをもとに、人間にとって理解しやすい言語や画像、音声などの具体的な出力へ変換する役割を持つ中核的なコンポーネントです。
エンコーダー
エンコーダーとは、入力されたデータをAIが処理しやすい別の表現や数値の形式に変換する仕組みのことです。画像やテキストなどの生データを特徴量として抽出し、特徴ベクトルへと圧縮する役割を持ちます。
変分オートエンコーダー
変分オートエンコーダーは、確率分布を利用してデータを低次元の潜在空間に圧縮し、新しいデータを生成するディープラーニング手法です。従来のオートエンコーダーとは異なり、データを連続的な空間として表現するため、滑らかなデータ補間や安定した画像生成が可能です。異常検知や画像生成など多様な分野で応用されています。