凹関数
凹関数とは、グラフのどの2点間を結んでも、その線分が関数のグラフの下側か同じ高さに位置する関数のことです。AIや機械学習の分野では、主に損失関数の最大化や最適化問題において、効率的な解の探索を保証するための重要な数学的性質として利用されます。
最適化のAI用語一覧（4ページ目）
98件最適化に関するAI用語を98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4ページ目です。
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。
広告配信
広告配信とは、インターネット上のWebサイトやSNSなどに広告を表示する仕組みです。近年では機械学習やターゲティング技術を活用し、ユーザーの興味関心や行動履歴に合わせて最適な広告を自動で選別して表示する高度なシステムが主流となっています。
ハイブリッドアルゴリズム
ハイブリッドアルゴリズムとは、異なる複数のアルゴリズムや計算手法を組み合わせ、それぞれの長所を生かして弱点を補う仕組みです。AIや機械学習の分野において、単一の手法では解決が難しい複雑で大規模な問題を効率的に解くために広く活用されています。
方針勾配法
方針勾配法とは、強化学習においてエージェントの行動方針を直接パラメータ化し、得られる報酬の期待値を最大化するように勾配降下法を用いて学習を行う手法です。複雑な環境や連続値の行動空間において高い柔軟性を持ち、様々なロボット制御やゲームAIなどの応用で広く活用されています。
ポリシーグラディエント法
ポリシーグラディエント法は、強化学習においてエージェントの行動方針を直接パラメータ化し、報酬を最大化するように勾配降下法（正確には勾配上昇法）を用いて学習を行う手法の総称です。連続的な行動空間を扱える点や、確率的な方策を直接表現できる点が特徴です。
エビデンス下界
エビデンス下界（ELBO）は、確率的生成モデルの学習において直接計算が困難な周辺尤度を効率的に近似・最大化するために用いられる数学的な下限値です。変分推論の中核概念であり、複雑な確率分布の推定を可能にします。
クロスエントロピー損失
クロスエントロピー損失は、AIモデルが出力した確率分布と正解データとのズレを数値化する損失関数です。ニューラルネットワークの分類問題において、予測の正確さを評価しモデルのパラメータを最適化するために広く使われています。
進化アルゴリズム
進化アルゴリズムとは、生物の自然選択や遺伝、変異といった進化の仕組みを模倣した最適化問題の解決手法です。明確な数式で解を導けない複雑な問題に対して、複数の解候補を生成・選択・交差・変異させながら世代交代を繰り返し、より適切な解を探索します。AIや工学設計など幅広い分野で活用されています。
自動入札
自動入札とは、AIや機械学習を活用して広告オークションの入札価格をリアルタイムに自動調整し、コンバージョン獲得や費用対効果の最大化をめざすデジタルマーケティングの手法です。
量子最適化アルゴリズム
量子コンピュータの性質を利用して、膨大な選択肢の中から最適な解を高速に探し出すアルゴリズムの総称です。物流経路の最適化や金融ポートフォリオの構築など、従来のコンピュータでは計算時間が膨大になる複雑な問題の解決手段として期待されています。
現代ポートフォリオ理論
現代ポートフォリオ理論は、リスクを最小限に抑えつつリターンを最大化する資産配分を決定するための数学的フレームワークです。AIによる自動運用や金融モデリングの基礎としても広く活用されています。
バンディットアルゴリズム
バンディットアルゴリズムは、限られた試行回数の中で、どの選択肢が最も高い報酬をもたらすかを効率的に探りながら利益を最大化する機械学習の手法です。未知の選択肢を試す「探索」と、これまでの実績に基づいて最善を選ぶ「利用」のバランスを最適に調整する特徴を持ちます。
He初期化
He初期化とは、ディープラーニングの神経回路網において、畳み込み層などで広く使われるReLU関数に最適化された重みの初期化手法です。層が深くなっても学習が停滞する勾配消失を防ぎ、効率的なモデル学習を可能にします。
発見的アルゴリズム
発見的アルゴリズムとは、厳密な最適解を確実に求めるのではなく、現実的な時間内で十分に良い解を見つけるための計算手順のことです。ヒューリスティックとも呼ばれ、組合せ最適化問題やゲームAI、探索処理など計算量が膨大になる問題で広く応用されています。完璧な解よりも処理スピードを優先する場面で極めて重要です。
半正定値行列
半正定値行列とは、すべての固有値が0以上である対称行列のことです。機械学習や深層学習の最適化問題、共分散行列の計算などにおいて、カーネル法やモデルの安定性を保証するための重要な数学的性質として広く利用されています。
Wasserstein距離
Wasserstein距離とは、確率分布同士の形の違いを測るための数学的な指標です。生成AIの分野では、生成された画像やデータの質を安定して評価するGANの損失関数などに応用され、学習をスムーズにする重要な役割を持っています。
コスト行列
コスト行列とは、分類問題や最適化問題において、異なる予測ミスや行動の選択に伴う損失や費用を数値化して並べた表です。機械学習モデルの評価や不均衡データの学習、割当問題などにおいて、単なる正解率だけでなく実用上の重要度を考慮するために用いられます。
フラッシュアテンション
FlashAttentionは、Transformerモデルの中核であるアテンション計算の速度を高速化し、メモリ消費量を劇的に削減するアルゴリズム技術です。GPUのハードウェア特性を活かした最適化により、長文処理を効率化します。
ポリシー
AIや機械学習の分野におけるポリシーとは、エージェントが特定の状態においてどのような行動を選択すべきかを決定する方針やルールのことです。強化学習において最適な行動戦略を学ぶために用いられ、AIの意思決定メカニズムの核心を担います。
逆伝播法
逆伝播法は、ニューラルネットワークの学習において出力側の誤差を逆向きに伝え、パラメータを効率的に調整するための基礎的なアルゴリズムです。深層学習の発展には欠かせない技術であり、多層構造のモデルを正確に訓練することを可能にします。
ハンガリアン法
ハンガリアン法は、組合せ最適化問題の一つである割当問題を効率的に解くための多項式時間アルゴリズムです。AIの分野では、複数の物体追跡におけるフレーム間のID対応付けや、コスト最小化の割当などで広く応用されています。
分散型アルゴリズム
分散型アルゴリズムとは、複数のコンピュータが通信ネットワークを介して協調しながら、単一の複雑な計算やデータ処理を分担して実行するための手順や計算手法のことです。大規模な機械学習モデルの訓練や効率的な並列処理において、現在のAIシステムを支える不可欠な基盤技術として広く活用されています。
古典最適化アルゴリズム
古典最適化アルゴリズムは、量子コンピュータ以前から存在する伝統的な計算手法であり、目的関数を最小化または最大化する最適な解を探索します。機械学習におけるモデルの学習や様々なパラメータ調整の根幹を支える重要な技術です。