単層パーセプトロンとは、入力層と出力層のみで構成される最も基本的な人工ニューラルネットワークのモデルです。複数の入力に対して重みとバイアスを適用し、活性化関数を通じて二値分類を行います。深層学習の原点となった概念ですが、線形分離可能な問題しか解けないという数学的な限界を持ちます。
単層パーセプトロンとは
単層パーセプトロンは、複数の入力信号に「重み」を掛けて足し合わせ、閾値を超えたかどうかに応じて出力を決定する、最もシンプルなニューラルネットワーク構造です。
詳しく解説
1958年にフランク・ローゼンブラットによって提案されたアルゴリズムで、脳の神経細胞（ニューロン）の働きを数理モデル化したものです。各入力に対して重みと呼ばれる数値を乗算し、さらに「バイアス」を加算した総和を計算します。その結果をステップ関数などの「活性化関数」に入力し、出力を決定します。学習時には、正解データとの誤差をフィードバックして重みを自動調整します。このモデルは現代の深層学習の基礎を築いた重要なマイルストーンです。
具体例・使われ方
論理回路におけるANDゲートやORゲートの再現が典型例です。例えば「入力Aと入力Bが共に1の場合にのみ1を出力する（AND）」という規則は、グラフ上で直線1本を引いて正解と不正解を分割できるため、単層パーセプトロンで正確に学習・再現できます。
似た用語との違い
後年発展した「多層パーセプトロン」との最大の違いは、中間層（隠れ層）の有無です。単層パーセプトロンは入出力の直接結合のみで直線的な判定しかできませんが、多層パーセプトロンは複数の中間層を挟むことで複雑な曲線の決定境界を表現できます。
注意点
単層パーセプトロンは「線形分離可能」なパターンしか学習・分類できないという致命的な限界があります。直線1本で分離できない「XOR問題」（排他的論理和）を解くことができず、この制約の指摘によって初期のニューラルネットワーク研究が一時停滞する要因となりました。