XOR問題とは、排他的論理和を単層のパーセプトロンでは直線で分離できず学習できないという、初期のニューラルネットワークにおける限界を示した歴史的な問題です。多層パーセプトロンや活性化関数を用いることで解決されました。
XOR問題とは
XOR問題とは、AIやニューラルネットワークの歴史において、単純な単層モデルでは「排他的論理和（XOR）」という基本的な論理演算すら解くことができないという限界を指す用語です。
詳しく解説
1950年代から1960年代初頭にかけて登場した初期の人工ニューロンモデルである「パーセプトロン」は、入力データを直線的な境界線で分類することしかできませんでした。しかし、XOR（排他的論理和）は、入力が異なる場合にのみ真（1）を返す非線形な関係を持つため、単一の直線ではデータを正しくクラス分けできませんでした。1969年に数学者のマービン・ミンスキーとシーモア・パパートがこの限界を数学的に証明したことで、パーセプトロンの限界が広く知れ渡り、AI研究は第一次冬の時代と呼ばれる停滞期に突入しました。その後、入力層と出力層の間に「隠れ層」を持つ多層パーセプトロンや、非線形な活性化関数を導入することで、この非線形な問題が解決可能となりました。
具体例・使われ方
XORの入力と出力の関係は、「0と0なら0」「0と1なら1」「1と0なら1」「1と1なら0」となります。これを2次元平面上にプロットすると、出力が1の点と0の点が対角線上に配置されるため、1本の直線で綺麗にグループ分けすることが不可能です。これを解決するため、ディープラーニングの前身となる多層パーセプトロンを用いて複数の直線（超平面）を組み合わせ、複雑な領域を作り出すことで正しく分類できるようになります。
似た用語との違い
直線で分類可能な「AND（論理積）」や「OR（論理和）」の演算問題とは異なり、XOR問題の本質はデータが線形分離不可能である点にあります。ANDやORは単層のパーセプトロンでも簡単に学習できますが、XOR問題の克服には隠れ層の存在が不可欠です。
注意点
現代のAI開発においては多層パーセプトロンやディープラーニングが主流であるため、XOR問題自体が直接の障壁になることはほとんどありません。しかし、モデルが非線形な関係性を正しく捉えるためにどのような構造や活性化関数が必要であるかを理解する上で、基礎的な教訓として今でも重要視されています。