順伝播型ニューラルネットワーク（FNN）は、情報が一方向にのみ伝播する最も基本的なニューラルネットワークの構造です。入力層から中間層、出力層へとデータが逆戻りすることなく進むため、構造が単純で計算が安定しているのが特徴です。画像分類や回帰分析などの様々なタスクの基礎として広く用いられています。
順伝播型ニューラルネットワークとは
順伝播型ニューラルネットワーク（FNN）は、入力された情報が「入力層」から「中間層（隠れ層）」を経て「出力層」へと、一方向のみに伝達されるニューラルネットワークです。ネットワーク内にループ（循環）する経路を持たないため、情報が逆戻りせず、シンプルな構造で安定した予測や分類ができるという特徴を持っています。
詳しく解説
順伝播型ニューラルネットワークは、人工ニューロン（ノード）が層状に配置された構造をしています。各層のニューロンは次の層のニューロンと接続されており、入力データに「重み」を掛け合わせ、さらに「バイアス」を加算した値を次の層へ送ります。このとき、非線形な関係を学習するために「活性化関数」が適用されます。学習プロセスでは、出力された予測値と正解データの誤差を計算し、「誤差逆伝播法」を用いて各接続の重みを調整（最適化）します。これにより、データの特徴を自動的に捉え、未知のデータに対しても高い精度で予測できるようになります。ディープラーニングの最も基本的なモデルであり、多層パーセプトロンとも呼ばれます。
具体例・使われ方
具体的な応用例としては、住宅の価格予測を行う「回帰分析」や、手書き文字がどの数字かを判別する「画像分類」などがあります。例えば、住宅の面積や築年数などの特徴量を入力層に与えると、中間層で複雑な計算が行われ、最終的な推定価格が出力層から得られます。このように、入力されたデータから直接的な答えを導き出すプロセスで広く活用されています。
似た用語との違い
混同されやすい概念として「再帰型ニューラルネットワーク」があります。順伝播型ニューラルネットワークは情報が一方向にしか進まず、過去の情報を保持する仕組みがありません。一方、再帰型ニューラルネットワークは内部にループ構造を持ち、過去のデータ（時系列データやテキストなど）を記憶しながら処理を行うことができます。また、全てのニューロンが次の層の全ニューロンと結合している「全結合層」のみで構成されることが多いのに対し、画像の空間特徴を捉える「畳み込みニューラルネットワーク」は部分的な結合とフィルター処理を用いる点で異なります。
注意点
順伝播型ニューラルネットワークは、時間的な並び（時系列データ）や文章（自然言語）のように、前後の文脈や順序が重要なデータに対しては学習が困難です。また、層を深くしすぎると、学習時に誤差がうまく伝わらなくなる「勾配消失問題」が発生し、精度が低下するリスクがあります。さらに、訓練データに過剰に適合してしまう「過学習」を起こしやすいため、適切な正規化やドロップアウトなどの対策が必要です。