RoIPooling
RoIPoolingは、畳み込みニューラルネットワークにおいて異なるサイズの画像領域から固定サイズの特長量を抽出する手法です。物体検出の分野で広く活用されています。
ディープラーニングのAI用語一覧（9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9ページ目です。
DenseNet
DenseNetは、畳み込みニューラルネットワークにおいてすべての層の間を直接結合することで、情報の伝達効率を高め、勾配消失問題を軽減する画像認識モデルです。パラメータ数を抑えつつ高い精度を発揮する特徴があります。
ResNet
ResNetは、ディープラーニングにおいてネットワーク層を深くした際に生じる学習停滞を解決するために開発された畳み込みニューラルネットワークのアーキテクチャです。スキップ接続を導入することで、何百層もの深層学習を安定して行えるようにしました。
回帰結合型ニューラルネットワーク
回帰結合型ニューラルネットワーク（RNN）は、過去の情報を内部状態として保持しながらデータを処理するディープラーニングの手法です。時系列データや自然言語などの連続したデータの扱いに適しており、文脈を考慮した予測や生成が可能です。LSTMなどの派生技術を含め、音声認識や翻訳などの多様な分野で活用されてきました。
勾配スケーリング
勾配スケーリングとは、ディープラーニングの混合精度訓練において、数値のアンダーフローによる勾配消失を防ぐ技術です。損失値や勾配を一時的に大きな定数で倍増させて計算し、重み更新前に元のスケールに戻すことで、FP16などの低精度浮動小数点数でも安定したモデル学習を可能にします。
グラフニューラルネットワーク（GNN）
GNN（グラフニューラルネットワーク）とは、点（ノード）と線（エッジ）で結ばれた複雑なグラフ構造のデータを直接扱うディープラーニング手法です。SNSの人間関係、化合物の分子構造、交通網など、格子状ではない不規則な関係性を持つデータを解析し、関係性の予測や分類を高精度に行うことができます。
双方向モデル
双方向モデルとは、テキストの文脈を前後の両方向から同時に読み取ることで、より正確な意味理解を行うAIのアーキテクチャです。従来の片方向モデルに比べ、言葉の前後関係を考慮した高度な解析が可能となり、自然言語処理の様々なタスクで広く活用されています。
制限付きボルツマンマシン
制限付きボルツマンマシンとは、可視層と隠れ層の間の結合に制限を持たせた確率的生成モデルです。ディープラーニングの発展に大きな影響を与え、次元削減や特徴量抽出、事前学習などに活用されてきました。
重みの初期化
重みの初期化とは、ニューラルネットワークの学習を開始する前に、モデル内のパラメータ（重み）に適切な初期値を割り当てる処理です。学習の収束速度や精度に大きく影響します。
Adam
Adam（Adaptive Moment Estimation）は、深層学習の最適化アルゴリズムの一つです。勾配のモーメントを利用して学習率を自動調整し、効率的かつ安定したパラメータ更新を実現するため、多くのモデル訓練で標準的に採用されています。
確率的勾配下降法
確率的勾配下降法とは、機械学習モデルのパラメータを最適化するための代表的なアルゴリズムです。全データではなく一部のデータランダムに抽出して勾配を計算するため、大規模なデータセットでも高速に学習を進められる点が特徴です。
化合物
化合物とは、2種類以上の異なる元素が化学結合によって一定の割合で結合した純物質です。AIや機械学習の分野、特に創薬AIやマテリアルズインフォマティクスにおいては、膨大な化合物データから新規の候補物質を予測・設計するための対象データとして位置づけられており、分子構造のグラフ表現などを通じてディープラーニングモデルで解析されます。
物理情報ニューラルネットワーク（PINN）
物理情報ニューラルネットワーク（PINN）とは、物理法則を表す偏微分方程式をニューラルネットワークの損失関数に組み込んで学習する手法です。少量のデータからでも流体力学や構造解析などの複雑な物理現象を高精度に予測・シミュレーションできます。データ駆動型アプローチと物理モデルを融合させた革新的な技術として注目されています。
ニューラルボコーダー
ニューラルボコーダーとは、ディープラーニングを用いて音響特徴量から高品質な音声波形を生成する技術です。従来の数理モデルに基づくボコーダーとは異なり、人間の肉声に近い極めて自然な音声を合成できます。音声合成システムや声質変換の処理に広く活用されており、WaveNetやHiFi-GANなどのモデルが存在します。
神経放射場
神経放射場（NeRF）とは、複数の視点から撮影された2D画像を入力として、シーン全体の3次元構造と光の放射をニューラルネットワークで学習・再構築する技術です。高品質な3Dモデルや新規視点画像を生成でき、VRやAR、自動運転のシミュレーションなど幅広い分野で活用されています。
ゲーティングネットワーク
ゲーティングネットワークとは、混合エキスパートモデルなどの複合的なAIアーキテクチャにおいて、入力データに応じてどの子モデルやパラメータの組み合わせを利用するかを動的に選択・重み付けする仕組みのことです。
生成対向ネットワーク
生成対向ネットワーク（GAN）は、データを生成する生成器と本物か判定する識別器の2つのAIを競わせることで、高精度なデータを生成する深層学習アルゴリズムです。写真のようにリアルな画像生成や高解像度化などで成果を上げており、生成AIの発展に大きく貢献しました。
重み初期化
重み初期化とは、ニューラルネットワークの学習を開始する前に、結合荷重の初期値を設定する重要なプロセスです。適切な初期値を設定することで、勾配消失や勾配爆発を防ぎ、学習の効率と精度を大きく向上させることができます。
自動回帰モデル
自動回帰モデル（自己回帰モデル）とは、過去の自身の出力やデータパターンを基に、未来の値を順番に予測・生成する機械学習のモデルです。時系列データの予測だけでなく、ChatGPTをはじめとする大規模言語モデルのテキスト生成の基盤技術としても広く使われており、現代の生成AIにおいて不可欠なアプローチとなっています。
顔認識AI
顔認識AIとは、人間の顔画像から特徴を分析し、個人を特定・照合するコンピュータビジョン技術です。ディープラーニングの発展により、スマートフォンのロック解除や空港の生体認証など幅広い分野で高精度な本人確認が実用化されています。一方で、プライバシーの保護や人種・性別による認識精度の偏りといった課題への対策も求められています。
3D畳み込みニューラルネットワーク
3D畳み込みニューラルネットワーク（3D CNN）は、縦・横に「奥行き」や「時間」を加えた3次元データを直接処理できるディープラーニングのモデルです。動画のフレーム間のつながりや医療用3D画像の特徴を捉えることが可能で、コンピュータビジョンや医療画像解析の分野で重要な役割を果たしています。
量子化認識トレーニング
量子化認識トレーニング（QAT）とは、ディープラーニングモデルを軽量化・高速化する量子化の手法の一つです。モデルの学習時またはファインチューニング時に量子化による精度低下の影響をシミュレーションしながら重みや活性化関数を最適化します。事後量子化に比べて高い予測精度を維持できる点が強みです。
損失スケーリング
損失スケーリングは、混合精度訓練（FP16）において小数の勾配がアンダーフローして消失するのを防ぐ技術です。損失値に一定のスケール因子を掛けて大きな値に変換してから逆伝播を行い、勾配計算後に元のスケールに戻すことで、数値精度を保ちつつメモリ消費を抑え、計算を高速化します。
リカレントニューラルネットワーク（RNN）
リカレントニューラルネットワーク（RNN）は、時系列データや自然言語などの連続的な情報を処理することに特化したニューラルネットワークのアーキテクチャです。過去の情報を内部の隠れ状態として保持し続けることで、文脈を考慮した予測や生成を可能にします。