予測値
予測値とは、機械学習モデルや統計モデルが、入力されたデータをもとに将来の状態や未知の結果を推論して出力した数値のことです。AIの性能評価や意思決定において中心的な役割を果たし、実際の値との比較によってモデルの精度を測定するために使用されます。
機械学習のAI用語一覧（5ページ目）
1,800件機械学習に関するAI用語を1,800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。
鞍点
鞍点とは、多次元の損失関数においてある方向からは極小値に見え、別の方向からは極大値に見える点のことです。勾配降下法などの最適化アルゴリズムにおいて、勾配がゼロになるため学習が停滞する原因となります。特に高次元のパラメーターを持つディープラーニングの学習において、局所的極小解よりも頻繁に発生し最適化の阻害要因となるため重要な概念です。
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。
局所最適解
局所最適解とは、最適化問題において特定の狭い範囲内では最も良い解（極小値や極大値）であるものの、問題全体における最善の解（全域最適解）ではない状態やその解のことです。機械学習のモデル訓練では、勾配降下法などで損失関数を最小化する際に局所最適解に陥り、学習が途中で停滞してしまう課題が知られています。
構造化データ
構造化データとは、行と列の概念を持つ表形式で整理されたデータを指します。AIや機械学習の分野において、データベースやExcelファイルなどで管理され、コンピュータが効率的に処理できるため、予測モデルの学習や分析の基礎として広く活用されています。
公平性
AIにおける公平性とは、アルゴリズムや機械学習モデルが特定の属性（性別、人種、年齢など）に基づいて不当な偏見や差別的な予測・判断を行わない状態を指します。学習データに含まれるバイアスを削減し、すべてのユーザーや対象者に対して均等かつ適切な利益や機会の分配を行うことが求められます。
自律型エージェント
自律型エージェントとは、人間が逐一指示を出さなくても、AI自身が目標を設定し、自ら計画を立ててタスクを遂行するシステムの総称です。大規模言語モデルなどの発展により、複雑な作業を自律的にこなす技術として注目を集めています。
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。
画像分類
画像分類とは、入力された画像全体がどのようなカテゴリに属するかをコンピュータに判定させるAI技術です。例えば、写真に猫が映っているか犬が映っているかを自動で識別するタスクで広く使われており、画像認識の基本技術として多分野で活用されています。
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。
スケジュールサンプリング
スケジュールサンプリングとは、ニューラルネットワークの訓練時において、正解データとモデル自身の予測のどちらを入力として使うかを確率的に切り替える手法です。訓練と推論の乖離を解消し、モデルの性能や頑健性を向上させます。
非凸関数
非凸関数とは、グラフの形状が直線ではなく、局所的な凹凸が多数存在する関数のことです。AIや機械学習において、ニューラルネットワークの学習をはじめとする多くの最適化問題で現れ、大域的最適解ではなく局所最適解に陥るリスクがあるため高度なアルゴリズムが必要となります。
平滑化
平滑化とは、データや信号に含まれる微小な変動やノイズを取り除き、全体的な傾向や滑らかな変化を抽出する処理です。AIや機械学習の分野では、過学習の防止や画像処理、音声認識などにおいて、データの品質を高めるための重要な前処理手法として広く活用されています。
平均ベクトル
平均ベクトルとは、複数のベクトルデータの各次元の平均値を並べて計算した代表的なベクトルのことです。機械学習や自然言語処理において、大量のデータを要約したり、クラスの中心的特徴を表したりするために広く活用されています。
平均値代入法
平均値代入法は、データセット内の欠損値を、その変数の観測データの平均値で補完するデータ前処理の手法です。実装が極めて容易で計算コストが低いため、機械学習の初期フェーズなどで広く用いられます。しかし、データの分散を過小評価し、統計的なバイアスを引き起こすリスクがあるため、慎重な適用が求められます。
ブラックボックス
AIや機械学習モデルにおいて、入力と出力の関係性は確認できるものの、内部でどのような計算や判断が行われているのか人間には内部構造が直接見えない状態を指します。特にディープラーニングなどの複雑なモデルで顕著に見られます。
ドメイン
AIや機械学習におけるドメインとは、特定の専門分野や問題領域を指します。医療や金融などの領域ごとにデータの特徴や求められる精度が異なるため、モデルの設計や適用の際には重要な考慮要素となります。
アルゴリズムバイアス
アルゴリズムバイアスとは、AIシステムや機械学習モデルが、学習データの偏りや設計上の問題により、特定のグループに対して不公正で差別的な判断や予測を出力してしまう現象を指します。AI倫理の観点から社会的影響が大きく、公正性の確保が重要な課題となっています。
マルチモーダル
マルチモーダルとは、テキスト、画像、音声、動画などの異なる種類や形式のデータを統合して同時に処理・理解するAI技術のことです。人間が視覚や聴覚など複数の感覚を組み合わせて状況を把握するように、より複雑で高度な認知や推論を可能にするため、次世代のAI基盤として注目を集めています。
過剰検知
過剰検知とは、AIや機械学習を用いた検知システムにおいて、本来は検出・対処すべき対象ではない正常なデータや無害なパターンを、誤って「異常」や「検知対象」として判定してしまう現象のことです。安全性を重視して検知感度を高く設定しすぎることなどで発生し、運用現場での確認コスト増大を引き起こす要因となります。
ラッパー法
ラッパー法とは、機械学習のモデルを用いて最適な特徴量の組み合わせを選択する手法です。予測性能を直接評価基準にするため精度向上が期待できますが、計算コストが非常に高いという特徴があります。
データバイアス
データバイアスとは、AIの学習用データに偏りがあることで、出力結果や判断に不公正な歪みが生じる現象です。歴史的な偏見や収集方法の偏りが原因となり、機械学習モデルの精度低下や公平性の欠如を引き起こすため、AI倫理の観点からも重要な課題となっています。
トップkサンプリング
トップkサンプリングとは、大規模言語モデルが文章を生成する際に、確率が高い上位k個の単語のみを選択肢として残し、その中からランダムに次の単語を選ぶ手法です。確率の低い不自然な単語を排除しつつ、文章の多様性を保つために広く使われています。
拡散モデル
拡散モデルは、データにノイズを徐々に加えて破壊する過程と、そのノイズを除去して元のデータを復元する過程を深層学習で学ぶ生成AIモデルです。高画質な画像生成などで広く活用され、高い創造性と安定性を実現しています。