ニューラルレンダリング
ニューラルレンダリングとは、物理的な法則の計算とディープラーニングを融合させ、画像や動画を効率的かつ高品質に合成する技術です。従来のCG制作とは異なり、AIがデータから光の反射や物体の形状を学習し、リアルタイムで新たな視点の映像を生成します。
ディープラーニングのAI用語一覧（5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5ページ目です。
連鎖律
連鎖律とは、微分積分学における合成関数の導関数を求めるための定理であり、AIの分野ではニューラルネットワークの学習を効率的に行うためのバックプロパゲーションにおいて中心的な役割を果たす数学的基礎です。
非線形変換
非線形変換とは、入力と出力の関係が直線の比例関係にならない変換のことです。機械学習、特にディープラーニングにおいて、単純な線形モデルでは捉えきれない複雑なパターンや高次元のデータ構造を表現・学習するために不可欠です。ニューラルネットワーク内に活性化関数を導入することで非線形変換を実現し、極めて高い表現力を可能にします。
パディングマスク
パディングマスクは、自然言語処理のトランスフォーマーモデルにおいて、バッチ処理のために追加された無意味な埋め込み用トークン（パディング）を、アテンション機構の計算対象から除外するための仕組みです。これにより、可変長のテキストを効率よく並列処理しつつ、不要な情報による悪影響や計算コストの無駄を防ぐことができます。
潜在拡散モデル
潜在拡散モデル（LDM）は、画像などの高次元データを低次元の潜在空間に圧縮した上で、拡散モデルによる生成プロセスを実行するAIモデルです。従来の拡散モデルが持っていた計算コストが非常に高いという課題を、オートエンコーダーによる空間圧縮で解決し、低リソースでの高精度な画像生成を可能にしました。Stable Diffusionなどの基盤技術として広く利用されています。
画像セグメンテーション
画像セグメンテーションは、デジタル画像を画素単位で領域分割し、物体や背景ごとに分類するコンピュータビジョン技術です。自動運転や医療画像診断など、AIが詳細な視覚情報を理解するために欠かせない基盤技術として広く活用されています。
L2正則化
L2正則化（Ridge正則化）とは、機械学習モデルの過学習を防ぐために損失関数へ重みの2乗和を加算する手法です。モデルの重みが極端に大きくなるのを抑え、未知データに対する予測性能（汎化性能）を向上させます。
残差接続
残差接続とは、ニューラルネットワークの層を飛び越えて信号を伝えるスキップ接続の一種です。勾配消失問題を緩和し、数百層にも及ぶ超深層学習を安定して成功させるために不可欠な技術として、ResNetなどで広く採用されています。
軽量化
AIモデルの軽量化とは、ディープラーニングなどの大規模なモデルの予測精度を維持しつつ、計算量やメモリ消費量を削減する技術やプロセスの総称です。スマートフォンのような限られたリソースで動作させるために不可欠であり、プルーニングや量子化、蒸留といった高度な手法を用いて、推論速度の向上や省電力化を実現します。
人工ニューロン
人工ニューロンとは、人間の脳にある神経細胞の働きを模倣して作られた、人工知能や機械学習における最も基本的な計算ユニットです。複数の入力データに対してそれぞれ「重み」を掛け合わせ、総和に「バイアス」を加えた上で「活性化関数」を通して出力値を決定します。ディープラーニングやニューラルネットワークの基礎となる重要技術です。
NPU
NPU（Neural Processing Unit）は、ディープラーニングなどのニューラルネットワーク処理を高速・低消費電力で実行するために設計された、AI処理に特化したプロセッサです。従来のCPUやGPUに比べ、AIアルゴリズム特有の膨大な行列演算を効率的にこなせるため、スマートフォンやパソコンなどのエッジデバイスにおけるオンデバイスAIの実現に欠かせないハードウェアとなっています。
データ拡張
データ拡張とは、機械学習やディープラーニングの学習用データを人工的に増やす技術です。既存の画像やテキストなどに軽微な変更を加えて多様性を高めることで、過学習を防ぎ、AIモデルの汎用性能を向上させるために広く活用されています。
事前学習済みのAIモデル
膨大なデータを用いてあらかじめ学習を済ませたAIモデルのことです。ゼロから学習させる手間とコストを大幅に削減できるため、現在の生成AIや画像認識など多くのAIシステムの基盤として広く活用されています。
事前学習済みモデル
大量のデータを用いてあらかじめ学習を完了させた人工知能モデルのことです。ゼロからモデルを構築・学習させる場合に比べて、膨大な計算リソースや学習時間を大幅に削減できる利点があります。このモデルをベースにして特定用途向けに微調整を行うことで、少ないデータでも高い精度のAIシステムを効率的に構築することが可能になります。
TensorFlow
TensorFlowは、Googleが開発したオープンソースの機械学習・ディープラーニング向けライブラリです。データの流れをグラフで表現する仕組みを持ち、研究から実用的なプロダクト開発まで幅広く活用されています。
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。
バッチ正規化
バッチ正規化は、ディープラーニングにおいて各層の入力をミニバッチごとに平均0、分散1に正規化する技術です。内部共変量シフトを抑えることで、学習速度の劇的な向上や初期値への依存性低減、勾配消失の防止といったメリットをもたらします。CNNをはじめとする多くのニューラルネットワークモデルで標準的に採用されています。
ナーフ
ナーフ（NeRF）とは、少量の2次元画像から高品質な3次元モデルを再構築するディープラーニング技術です。視点に応じた光の伝播をニューラルネットワークで学習し、滑らかな3D空間を作り出します。
順伝播
順伝播とは、ニューラルネットワークにおいて入力データを入力層から出力層へと順番に計算しながら伝達し、予測結果を算出する処理プロセスです。モデルの学習時における損失計算や、推論時の結果出力に不可欠な基本動作です。
生成敵対ネットワーク
生成敵対ネットワーク（GAN）とは、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機械学習のフレームワークです。画像生成や音声合成など、幅広い分野のディープラーニング技術の発展に大きく貢献しました。
敵対的訓練
敵対的訓練とは、機械学習モデルの安全性や堅牢性を高めるため、あらかじめ人工的なノイズや微小な変化を加えたデータを学習プロセスに組み込む手法です。人間の目には識別できない微小なデータを意図的に作成して学習させることで、誤認識を誘発する敵対的攻撃に対する耐性を向上させます。安全なAIシステムの運用において不可欠なセキュリティ対策技術の一つです。
GRU
GRU（Gated Recurrent Unit）とは、ディープラーニングで用いられる時系列データ処理に適したリカレントニューラルネットワークの構造の一つです。LSTMをシンプルにした軽量な設計でありながら同等の性能を持ちます。
自己注意機構
自己注意機構は、入力データ内の各要素が他のどの要素とどの程度強い関連性を持つかを計算し、文脈に応じた表現を獲得する技術です。主に自然言語処理分野で用いられ、文章中の離れた単語同士の関係性を効率的に捉えられます。トランスフォーマーと呼ばれる深層学習モデルの核となっており、現代の大規模言語モデルの発展を支える重要技術です。
リカレントニューラルネットワーク
リカレントニューラルネットワーク（RNN）は、内部にループ構造を持ち、時系列データや自然言語などの可変長の連続データを処理できる深層学習モデルです。過去の情報を記憶しながら順次処理を行えるため、音声認識や機械翻訳などに広く活用されています。