計算や情報の伝播が一方向にのみ進む最も基本的な人工ニューラルネットワーク構造。入力層から隠れ層を経て出力層へとデータが順方向に伝わるため、ループ構造を持たない点が特徴です。画像分類や数値予測などの基礎モデルとして広く活用されています。
フィードフォワードニューラルネットワークとは
情報が入力から出力へと一方向にのみ伝播し、逆方向へのフィードバックループを持たない最も基本的な人工ニューラルネットワークの構造です。
詳しく解説
入力層、1つ以上の隠れ層、そして出力層で構成されています。データは前の層から次の層へと順番に送られ、各ノードの重み付けと活性化関数によって変換されます。学習時には誤差逆伝播法を用いて出力結果の誤差を算出し、重みを最適化します。過去の状態を記憶する再帰的な構造を持たないため、静的なデータの処理や分類問題に適しています。
具体例・使われ方
画像に写っている物体が何かを特定する画像分類や、顧客データから解約確率を算出する数値予測などで用いられます。例えば、手書き数字の画像データを入力すると、各層で特徴が抽出され、最終的に0から9のどの数字であるかを確率として出力します。
似た用語との違い
再帰型ニューラルネットワーク（RNN）との違いは、データ伝播の方向にループが存在するかどうかです。フィードフォワードニューラルネットワークは過去の入力を保持しないため時系列データの処理には不向きですが、再帰型ニューラルネットワーク（RNN）は内部状態を持つことで時系列データを扱えます。また、畳み込みニューラルネットワーク（CNN）は空間的な特徴抽出に特化した層を持つ構成です。
注意点
単純な多層構造では、層が深くなりすぎると勾配消失問題が発生し学習が停滞するリスクがあります。また、時系列の依存関係を扱うことができないため、自然言語処理などのタスクには単体では不向きです。さらに過学習を起こしやすいため、適切な正則化やドロップアウトが必要です。