大域的最適解とは、最適化問題において定義された領域全体のなかで、目的関数（損失関数など）の値が最も良くなる唯一または最善の解のことです。AIや機械学習のモデル学習では、損失関数の値を最小化する最適なパラメータを見つけることが目標となりますが、広大な探索空間からこの真の解を見つけ出すことが重要な課題となります。
大域的最適解とは
大域的最適解とは、探索範囲全体のなかで最も評価が高い（損失関数の場合は最も値が小さい）最善の解のことです。
詳しく解説
AIのモデル学習では、予測精度を高めるために「損失関数」と呼ばれる指標の値を最小化する計算を行います。この最小化処理において、考えられるすべてのパラメータの組み合わせの中で最も損失が小さくなる状態が大域的最適解です。ディープラーニングなどの複雑なモデルではパラメータ数が膨大になり、解の探索空間が多次元で複雑な形状をとるため、「勾配降下法」などの最適化アルゴリズムを用いてこの大域的最適解を目指します。
具体例・使われ方
山と谷が複雑に連なる地形全体の中で、最も標高が低い「世界一深い谷の底」を探すイメージです。例えば、画像認識AIの学習において、膨大なデータに対して最も予測誤差が小さくなるパラメータの組み合わせを見つけ出す作業がこれに相当します。
似た用語との違い
最も混同されやすい概念として「局所的最適解」があります。局所的最適解は「周辺の狭い範囲内でのみ最善の解」であるのに対し、大域的最適解は「全体の中で最も優れた絶対的な解」です。また、勾配がゼロになるが最適解ではない「鞍点」とも区別されます。
注意点
複雑なAIモデルにおいては、探索空間が巨大すぎるため、計算コストの制約により確実に大域的最適解へ到達できる保証はありません。現実のAI開発では、実用的に十分な精度が得られる「十分に良い局所的最適解」で学習を終了させることが一般的です。