再帰的なニューラルネットワーク（RNN）は、内部にループ構造を持ち、時系列データや言語などの順序を持ったデータを処理できるニューラルネットワークです。過去の情報を記憶しながら新しい入力を処理できる点が特徴です。
再帰的なニューラルネットワークとは
再帰的なニューラルネットワークとは、過去の出力や内部状態を次の入力と一緒に再度ネットワークへ入力する仕組みを持つ、時系列データ処理に特化した機械学習モデルです。
詳しく解説
一般的なニューラルネットワークは入力と出力が独立して処理されますが、RNNでは時間的な順序や前後の文脈が重要となるデータに対応するため、過去の計算結果を保持するループ構造を持ちます。これにより、単語の並びや音声の波長など、前後の関係性が意味を持つデータを連続的に処理することが可能になります。自然言語処理や音声認識などの分野において、長年にわたり基盤技術として活用されてきました。
具体例・使われ方
具体的な利用例として、文章の予測変換、機械翻訳における文脈の理解、音声認識による発話内容のテキスト化、株価などの時系列データの予測などが挙げられます。例えば、文章を左から右へ順に読み込みながら次に続く単語を予測するタスクでよく使われます。
似た用語との違い
前後の文脈を扱う点でトランスフォーマーと混同されやすいですが、RNNがデータを時間順に一つずつ処理する構造であるのに対し、トランスフォーマーはアテンション機構を用いて文章全体を同時に並列処理する点が大きく異なります。
注意点
データの時系列が長くなると、学習時に過去の情報が伝わりにくくなる勾配消失問題や勾配爆発が起きやすいという欠点があります。この課題を克服するために、長短期記憶（LSTM）などの発展形が使われることが一般的です。
この解説は役に立ちましたか？誤りが含まれる場合はご報告いただけますと幸いです。
更新日時: 2026年9月12日 07:41