全結合層
全結合層は、ニューラルネットワークにおいて前の層のすべてのニューロンと次の層のすべてのニューロンが結合している基本構造です。データの最終的な分類や回帰を行う重要な役割を持ち、多くの深層学習モデルの出力段で広く使われています。
ニューラルネットワークのAI用語一覧
12件ニューラルネットワークに関するAI用語を12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。
プーリング層
プーリング層は、CNNなどの畳み込みニューラルネットワークにおいて、特徴マップの解像度を小さくしてデータ量を削減する層です。位置のわずかなズバに対する頑健性を高め、計算量を効率化する役割を持ちます。
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。
出力層
出力層とは、ニューラルネットワークの構造において、最終的な結果や予測を出力する一番最後の層のことです。入力データから中間層を経て抽出された特徴をもとに、分類や回帰などのタスクに応じた最終的な数値を算出し、AIモデルの判断を外部へ伝えます。
Leaky ReLU
Leaky ReLUは、ディープラーニングのニューラルネットワークで使われる活性化関数のひとつです。従来のReLU関数で発生する「勾配消失問題」を改善するため、負の入力に対してわずかな傾きを持たせた仕組みが特徴です。
入力層
入力層とは、ニューラルネットワークにおいて外部からデータを受け取り、モデル内部へ受け渡す最初の層です。画像やテキスト、数値などの入力データを適切な形式に変換・調整し、続く隠れ層へと伝達する役割を果たします。データの次元数に応じたユニットで構成され、機械学習モデル全体の精度や処理効率の基礎を支える重要なコンポーネントです。
オートエンコーダ
オートエンコーダは、入力データを一度次元削減して圧縮し、再び元のデータに復元するプロセスを学習する教師なし学習のニューラルネットワークです。データの持つ本質的な特徴抽出や異常検知、ノイズ除去に広く活用されています。
畳み込み層
畳み込み層は、畳み込みニューラルネットワーク（CNN）の中心となる層であり、画像や音声などのグリッド状データから局所的な特徴を効率的に抽出する役割を持ちます。AIによる画像認識や物体検出などの分野で不可欠な技術です。
活性化関数
活性化関数とは、ニューラルネットワークにおいて入力信号の総和を出力信号に変換する関数です。人工ニューロンが次の層へ信号を伝える際、非線形な変化を加える役割を持ちます。これにより、複雑なパターンや非線形な関係をモデルが学習できるようになり、ディープラーニングの表現力を決定づける極めて重要な要素となっています。
ReLU関数
ReLU関数（Rectified Linear Unit）は、ディープラーニングで広く使われる活性化関数の一つです。入力が0以下の場合は0を出力し、0より大きい場合は入力値をそのまま出力するシンプルな仕組みを持ち、勾配消失問題を軽減して学習を高速化する重要な役割を果たします。
ReLU
ReLU（レルー）は、ディープラーニングのニューラルネットワークで広く用いられる活性化関数の一種です。入力値が0以下の場合は0を出力し、0を超える場合は入力をそのまま出力するという単純な計算ルールを持ちます。計算が非常に高速で、勾配消失問題を緩和できるため、現代の深層学習モデルにおいてデファクトスタンダードとして定着しています。
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。