有向非巡回グラフ（DAG）とは、矢印で表される方向性があり、どのノードから出発しても元の場所に戻る循環（ループ）がないグラフ構造のことです。AIや機械学習の分野では、ニューラルネットワークの計算手順を定義する計算グラフや、変数間の因果関係を表すベイズネットワークなどのモデル設計に広く利用されています。
有向非巡回グラフとは
有向非巡回グラフ（DAG: Directed Acyclic Graph）は、ノード（要素）とそれらを結ぶエッジ（矢印）から構成され、一方通行の方向性を持ちながらも、経路をたどったときに決して元のノードに戻る循環（ループ）が発生しないという性質を持つデータ構造です。
詳しく解説
有向非巡回グラフは、タスクの依存関係やデータの流れを数理的に表現する上で極めて重要な役割を果たします。AIの分野では、ディープラーニングにおける計算グラフの基盤として使用されます。ニューラルネットワークにおける順伝播や逆伝播のプロセスは、この計算グラフに沿って順序立てて実行されます。グラフに循環がないため、トポロジカルソートと呼ばれるアルゴリズムを用いて、すべての処理を矛盾なく一列に並べ替えて実行順序を決定することが可能です。これにより、並列処理やメモリの最適化、効率的な自動微分が実現します。
具体例・使われ方
具体的な利用例として、以下のものが挙げられます。\n1. ニューラルネットワークの計算手順： PyTorchやTensorFlowなどのフレームワークでは、モデル内部の数式や処理の流れを計算グラフとして表現し、効率的な逆伝播を行います。\n2. 確率モデル（ベイズネットワーク）： 複数の変数間の依存関係や因果関係を視覚的・数式的に定義するために利用されます。\n3. 機械学習パイプライン： データの収集、前処理、特徴量抽出、モデル訓練、評価という一連の処理の流れを定義するシステムにおいて、処理の依存関係を整理するためにDAGが使われます。
似た用語との違い
一般的なグラフ構造や「樹形図（ツリー構造）」と混同されやすいですが、明確な違いがあります。樹形図は、各ノードの親が最大1つしかない階層構造です。一方で有向非巡回グラフは、1つのノードが複数の親ノード（矢印の始点）を持つことができます。また、循環グラフとは異なり、経路をたどっても元のノードに戻るループが存在しないため、処理のデッドロックや無限ループが発生しないという特徴があります。
注意点
有向非巡回グラフを使用する際の注意点として、システムやデータに「自己循環（ループ）」が存在する場合、そのままでは表現できない点が挙げられます。例えば、再帰ニューラルネットワーク（RNN）のように時間方向の循環処理を行う場合、内部的には時間軸を展開してDAGの形式に変換した上で計算を行う必要があります。また、ノードやエッジの数が膨大になると、トポロジカルソートや最適化の計算コストが増大するため、効率的なアルゴリズム設計が不可欠です。