G検定まとめ記事はこちら
G検定シラバス2024対応・用語集カンペ（Excel）を公開します
本記事では、G検定シラバス2024対応の用語集カンペ（Excelファイル） を公開します。
JDLAが公開している「G検定（ジェネラリスト検定）」は、AI・ディープラーニング活用のリテラシーを測る資格試験で、技術から法律・倫理まで幅広い範囲をカバーしています。
2024年にはシラバス改訂も行われ、生成AIや基盤モデル、AIガバナンスなど新しいトピックも含まれるようになりました。
その結果、「用語が多すぎて整理しきれない」「シラバスのどこに何があるか分からない」 という悩みも増えているのではないでしょうか。
そこで本記事では、
- シラバスのカテゴリに沿って整理した用語集カンペ（Excel）を提供しつつ
- それでもあくまで本命は「究極カンペ（頭の中の知識体系）」である
というスタンスを、改めて言語化しておきたいと思います。
まず前提：G検定と「カンペ」の関係について
G検定はオンライン形式で自宅から受験できる試験であり、試験中に資料を参照できる形で実施されています（詳細は必ずJDLA公式サイトの受験要項をご確認ください）。
一方で、「カンペ」という言葉は一般的にはあまりイメージがよくありません。
- カンペ＝カンニング用の紙
- カンペ＝ズルをする道具
という連想が強いからです。
G検定公式として「カンペ利用を推奨します／禁止します」といった明確なメッセージは出ていませんが、
通常の試験文化の中では、カンペという言葉そのものにネガティブなニュアンスがあるのは事実だと思います。
本サイトとしては、
- 「試験中の不正」を助長する意味でのカンペは当然NG
- ただし、事前学習と理解を前提とした「知識整理用のチートシート」は、むしろ推奨
という立場をとっています。
本サイトが推奨する「究極カンペ」とは
本サイトでは、G検定対策として「究極カンペ理論」というコンセプトを展開しています。
究極カンペ ＝ 実際に存在する紙のカンペではなく、
自分自身の中に生まれる「知識体系」「思考用マップ」
という意味です。
- 単語カード的に用語だけを暗記するのではなく、
- 「なぜそうなるのか」「どことどこがつながるのか」という因果・構造で覚える
- 細部を忘れても、他の知識からフェルミ推定的に補完できる状態を目指す
という思想です。
詳しくは、以下の連載をご覧ください。
- 究極カンペの作り方シリーズ
https://www.simulationroom999.com/blog/g-test-preparation-make-the-ultimate-cheat-papers-back-number/ - 究極カンペ×用語集カンペ
https://www.simulationroom999.com/blog/g-kentei-ultimate-kanpe-learning-method/
また、「九九」と「四則演算」の関係になぞらえて、
「一般的なカンペ」＝九九的な即答リストとしての有用性についても別記事で整理しています。
- AI時代の暗記・フェルミ推定・セレンディピティに関する記事
https://www.simulationroom999.com/blog/ai-era-memorization-fermi-serendipity/
ここで公開するExcelカンペは、まさにその「九九側」にあたるものです。
本記事のExcelカンペの位置づけ：究極カンペを支える「補助資料」
本記事で公開するカンペ（Excel）は、あくまで究極カンペを支える補助資料です。
本命はあくまで「頭の中にある知識体系」であり、Excelファイルそのものではありません。
位置づけを整理すると、次のようになります。
- 究極カンペ
- 脳内に構築される知識ネットワーク
- 因果関係・ストーリー・直感的なイメージでつながっている
- 忘れても、他の経路から「だいたい」答えに辿り着ける
- 本記事のExcelカンペ（補助資料）
- シラバスのキーワードを漏れなく一覧できる索引・用語集
- 細かい定義や用語の揺れを「確認」するための辞書
- 究極カンペに細かい情報を詰め込みすぎないための外付けストレージ
イメージとしては、
究極カンペ = 「頭の中の地図」
Excelカンペ = 「地名・ランドマークのインデックス」
という役割分担です。
なお、究極カンペと本記事のカンペ（補助資料）のさらに具体的な使い分け・設計方法については、別記事で整理する予定です（近日公開予定）。
他の用語集・チートシートとの違い（ざっくり）
「とりあえず用語を並べただけ」のチートシートと比べて、本記事のExcelカンペには次のような特徴があります。
- G検定シラバス項目と1対1で紐付いている
公式シラバスの「大分類／カテゴリ／項目No／キーワード」とExcelの行が対応しているので、
「シラバスのどこをカバーしているのか」が一目で分かります。 - 自分の理解度カラムを追加しやすい設計
余白の列をあえて残した構成にしているため、
「理解度」「重要度」「過去問での出題メモ」などを自分で追加して、
そのまま自作の学習管理シートに育てていくことができます。 - カンペ作り＝「究極カンペ」構築プロセスとして位置づけ
このExcelは「答えだけを見るためのズル用カンペ」ではなく、
頭の中に知識ネットワーク（究極カンペ）を作るための外付けワークシートという位置づけです。
用語を塗りつぶしたりコメントを書き込んだりする行為そのものが、理解を深めるプロセスになるように設計しています。
Excelカンペの中身と構成
Excelカンペは、JDLAが公開しているG検定シラバス2024の構成に合わせて作成しています。
主な列（カラム）の例：
- 大分類（技術分野／法律・倫理分野 など）
- カテゴリ（機械学習の概要／AIに関する法律と契約 など）
- 項目No
- 項目名
- キーワード
- 意味（簡易な一行説明）
※実際の列構成は、作成されたExcelファイルに合わせて読み替えてください。
この形にしておくことで、
- 「この用語はどの分野・どの章に属するか」
- 「法律・倫理側のキーワードだけを抽出したい」
- 「ディープラーニング応用例だけを絞り込みたい」
といったフィルタリングが簡単にできます。
Excelカンペのおすすめな使い方
1. 学習初期〜中盤：全体マップとの対応付けに使う
- まずは、公式テキストや解説書をざっと一周する
- 並行して、Excelカンペを眺めながら
- 「この章に出てきた用語が、ここに並んでいるのか」
- 「この用語はディープラーニング要素技術なのか、応用例なのか」
といった位置のイメージをつけていきます。
理解度の列を自分で追加して、例えば：
- A：本質から説明できる
- B：定義は言えるが、腹落ち度が微妙
- C：名前だけ聞いたことがある
- D：初見
のようにセルにメモしておくと、復習対象が一目で分かるようになります。
2. 試験直前：弱点つぶしチェックリストとして使う
試験直前期には、フィルターを使って
- 「C・D評価だけを表示」
- 「法律・倫理分野だけに絞る」
- 「ディープラーニング応用例だけに絞る」
といった形で、ピンポイント復習リストとして活用できます。
ここで重要なのは、
「Excelを眺めて満足する」のではなく、
必ずテキストや他の資料で一度は説明を読んで腹落ちさせること
です。Excelはあくまで「どこが怪しいかを暴くライト」です。
3. 試験当日：どうしても出てこない用語の最終確認に
G検定は問題数が非常に多いため、試験中にじっくり検索している時間はあまりありません。
そのため、試験当日のExcelカンペの役回りは、
- 「どうしても思い出せない用語を、数秒で検索して定義を確認する」
- 「似ている選択肢の中で、明らかにおかしい用語を切る」
程度にとどまるはずです。
Excelカンペ頼みで、ゼロから用語を調べながら解くスタイルは、時間的にほぼ破綻します。
あくまで「最後の一押し」のためのツールと考えてください。
G検定とカンペ利用に関するスタンス
改めて、本サイトのスタンスをまとめます。
- G検定公式として、カンペ利用の善悪を明示した声明は特にありません（少なくとも公開情報の範囲ではそのような記述は見当たりません）。
- 一般的な試験文化において、「カンペ」という言葉にはネガティブなニュアンスがあります。
- 本サイトでいう「カンペ」は、不正行為の道具ではなく学習補助ツールを指します。
- 本命はあくまで「究極カンペ＝あなたの頭の中の知識体系」であり、Excelはその補助です。
また、AI・データを扱う者として、法律や倫理に関する理解は欠かせません。
特に、
- 個人情報保護法やGDPRなどのデータ保護規制
- OECD AI Principles や UNESCOのAI倫理勧告といった国際的なAI原則
は、G検定の学習内容とも密接に関係しています。
カンペ作り自体が、こうした法・倫理への感度を高めるきっかけになるので、その意味でも「正しく使えば良い学習ツール」と捉えていただければと思います。
FAQ
Q1. G検定でカンペや資料を使っても問題ありませんか？
G検定はオンライン試験であり、一般に資料を見ながら受験できる形式とされていますが、カンペ利用の良し悪しについて、公式に明確な見解は示されていません。
本記事のカンペは、あくまで
- 学習・復習用
- 試験中に知識を素早く呼び出すための補助
として位置づけています。
必ずJDLA公式サイトで最新の受験要項を確認し、禁止されている行為は行わないでください。
Q2. このExcelカンペだけでG検定に合格できますか？
いいえ、このカンペだけでの合格は想定していません。
- 公式テキスト
- 各種問題集・解説
- 実務やニュースでのAI活用事例
などから、体系的に理解を積み重ねたうえで、
Excelカンペを「抜け漏れチェック」と「用語辞書」として使っていただくイメージです。
Q3. 究極カンペとは何ですか？
究極カンペとは、実物のカンペ用紙ではなく、あなたの頭の中に構築される知識体系のことです。
- 因果関係やストーリーでつながった知識ネットワーク
- 細部を忘れても、他の知識から補完して答えに近づける状態
- 単なる丸暗記ではなく、「理解にもとづく記憶」
を目指します。
連載はこちらにまとめています。
- 究極カンペの作り方シリーズ
https://www.simulationroom999.com/blog/g-test-preparation-make-the-ultimate-cheat-papers-back-number/
Q4. Excelカンペのおすすめカスタマイズはありますか？
おすすめは次のようなカスタマイズです。
- 「重要度」「理解度」「過去問で見たか」などの列を追加
- 分からなかった用語に、テキストページ番号やURLをメモ
- 条件付き書式で、苦手分野を色分け
こうすることで、「自分専用の弱点レーダー」として使えるようになります。
Q5. 最新のシラバス改訂にも対応できますか？
本記事のExcelカンペは、執筆時点で最新のG検定シラバス2024に対応するよう作成しています。
ただし、今後もシラバスが改訂される可能性があります。
その場合は、JDLA公式サイトから最新シラバスをダウンロードし、行や用語を追加・修正していただくことで、今後も使い続けていただけます。
参考文献（公式サイト・公的機関等）
※個人ブログ・企業ブログ・書籍は含めていません。
- 一般社団法人日本ディープラーニング協会「G検定とは」
https://www.jdla.org/certificate/general/ - 一般社団法人日本ディープラーニング協会
「『G検定（ジェネラリスト検定）』シラバス改訂および公式テキスト第3版刊行のお知らせ」
https://www.jdla.org/news/20240514001/ - 個人情報保護委員会 公式サイト
https://www.ppc.go.jp/ - 政府広報オンライン「個人情報保護法を分かりやすく解説。個人情報の取扱いルールとは？」
https://www.gov-online.go.jp/article/201703/entry-7660.html - EUR-Lex「General data protection regulation (GDPR)」
https://eur-lex.europa.eu/EN/legal-content/summary/general-data-protection-regulation-gdpr.html - OECD「AI principles」
https://oecd.ai/en/ai-principles - UNESCO「Recommendation on the Ethics of Artificial Intelligence」
https://www.unesco.org/en/articles/recommendation-ethics-artificial-intelligence
G検定まとめ記事はこちら
G検定
Amazon.co.jp : G検定
amzn.to
G検定 問題集
Amazon.co.jp : G検定 問題集
amzn.to
G検定 法律
Amazon.co.jp : G検定 法律
amzn.to
用語集リスト
| 大分類 | カテゴリ | 項目No | 項目名 | キーワード | 意味 |
|---|---|---|---|---|---|
| 技術分野 | 人工知能とは | 1 | 人工知能の定義 | AI 効果 | ある技術が実用化され身近になるとそれをAIとは感じなくなり普通の技術だとみなしてしまう傾向 |
| 技術分野 | 人工知能とは | 1 | 人工知能の定義 | エージェント | 環境を観測し行動を選択して目標達成を目指す自律的なソフトウェアやロボットの主体 |
| 技術分野 | 人工知能とは | 1 | 人工知能の定義 | 人工知能 | 人間の知的な判断や学習などをコンピュータ上で実現しようとする技術や研究分野の総称 |
| 技術分野 | 人工知能とは | 1 | 人工知能の定義 | 機械学習 | データから規則やパターンを自動的に学習して明示的なプログラム無しに予測や分類などを行う手法 |
| 技術分野 | 人工知能とは | 1 | 人工知能の定義 | ディープラーニング | 多層のニューラルネットワークを用いて特徴を自動抽出し高精度な認識や生成を行う機械学習の一分野 |
| 技術分野 | 人工知能とは | 2 | 人工知能分野で議論される問題 | シンギュラリティ | AIなどの技術が急速に進歩し人間の知能を大きく超える転換点が訪れるとする仮説 |
| 技術分野 | 人工知能とは | 2 | 人工知能分野で議論される問題 | シンボルグラウンディング問題 | 記号が現実世界の対象や経験とどのように結び付いて意味を持つのかを問う問題 |
| 技術分野 | 人工知能とは | 2 | 人工知能分野で議論される問題 | 身体性 | 知能や認知は身体と環境との相互作用に支えられているという考え方 |
| 技術分野 | 人工知能とは | 2 | 人工知能分野で議論される問題 | ダートマス会議 | 1956年にダートマス大学で開かれた人工知能研究の会議でAIという名称が提案され分野の出発点とされる出来事 |
| 技術分野 | 人工知能とは | 2 | 人工知能分野で議論される問題 | トイ・プロブレム | 現実問題を単純化したおもちゃのような小規模課題でアルゴリズムや理論の検証に用いる問題 |
| 技術分野 | 人工知能とは | 2 | 人工知能分野で議論される問題 | 知識獲得のボトルネック | 専門家の知識をエキスパートシステム用のルールなどの形式に落とし込む作業が手作業で大きな負担となること |
| 技術分野 | 人工知能とは | 2 | 人工知能分野で議論される問題 | チューリングテスト | 人間の審査者が対話だけから相手が人か機械か判定できなければその機械を知的とみなすというテスト |
| 技術分野 | 人工知能とは | 2 | 人工知能分野で議論される問題 | 中国語の部屋 | 中国語を理解しない人が規則通りに記号操作するだけで外からは理解しているように見えることを示し記号操作と本当の理解の違いを問題提起した思考実験 |
| 技術分野 | 人工知能とは | 2 | 人工知能分野で議論される問題 | 強い AI と弱い AI | 強いAIはコンピュータが心や意識を持つ真の知能を実現できるとする立場で弱いAIは知的行動の模倣にとどまる道具と見る立場 |
| 技術分野 | 人工知能とは | 2 | 人工知能分野で議論される問題 | 統計的機械翻訳 | 大量の対訳データから統計モデルを学習し最も確からしい訳文を選ぶことで翻訳を行う手法 |
| 技術分野 | 人工知能とは | 2 | 人工知能分野で議論される問題 | フレーム問題 | 世界で起こり得る膨大な変化のうち何が現在の行動に関係するかを機械が選び出し記述するのが難しいという問題 |
| 技術分野 | 人工知能とは | 2 | 人工知能分野で議論される問題 | ルールベース機械翻訳 | 人手で作成した文法規則や辞書に基づき翻訳規則を適用して訳文を生成する機械翻訳方式 |
| 技術分野 | 人工知能とは | 2 | 人工知能分野で議論される問題 | ローブナーコンテスト | 対話システムを対象にチューリングテスト形式で人間らしさを競わせるチャットボットコンテスト |
| 技術分野 | 人工知能をめぐる動向 | 3 | 探索・推論 | αβ 法 | ミニマックス探索でαとβという上下限を使い勝敗に影響しない枝を刈り取って探索量を減らす枝刈り手法 |
| 技術分野 | 人工知能をめぐる動向 | 3 | 探索・推論 | Mini-Max 法 | 二人ゼロ和ゲームを仮定し自分は評価値を最大に相手は最小にするとして終端局面から最善手を逆算するゲーム木探索手法 |
| 技術分野 | 人工知能をめぐる動向 | 3 | 探索・推論 | SHRDLU | 積み木の世界を舞台に英語による命令や質問に応答することで自然言語理解と世界モデルの結合を示した初期の対話システム |
| 技術分野 | 人工知能をめぐる動向 | 3 | 探索・推論 | STRIPS | 初期状態と目標状態と演算子の前提条件・効果を記述して計画問題を解く古典的プランニングシステムおよびその表現形式 |
| 技術分野 | 人工知能をめぐる動向 | 3 | 探索・推論 | 探索木 | 状態遷移や手の候補を枝として表し探索アルゴリズムが辿る可能な状態の組合せを木構造で表現したもの |
| 技術分野 | 人工知能をめぐる動向 | 3 | 探索・推論 | ハノイの塔 | 大きさの異なる円盤を三本の棒間でルールを守って移動させるパズルで再帰的構造を持つ典型的な探索問題の例 |
| 技術分野 | 人工知能をめぐる動向 | 3 | 探索・推論 | 幅優先探索 | 初期状態からの手数が少ない順に探索木を広がり方向に調べていくアルゴリズムで手数最短解を見つけられる探索手法 |
| 技術分野 | 人工知能をめぐる動向 | 3 | 探索・推論 | 深さ優先探索 | ある枝を可能な限り深くたどってから行き止まりで戻るという方針で動く探索アルゴリズムでメモリ使用量が少ないのが特徴 |
| 技術分野 | 人工知能をめぐる動向 | 3 | 探索・推論 | ブルートフォース | 問題の全ての候補や組合せを網羅的に試して解を見つける力任せの探索方法 |
| 技術分野 | 人工知能をめぐる動向 | 3 | 探索・推論 | モンテカルロ法 | 乱数により多くの試行やサンプルを生成して確率的に数値計算や評価を行う手法でゲーム木探索ではモンテカルロ木探索として使われる |
| 技術分野 | 人工知能をめぐる動向 | 4 | 知識表現とエキスパートシステム | Cyc プロジェクト | 人間の常識的知識を大量の述語論理ルールとして記述し推論できるようにすることを目指した大規模知識ベース構築プロジェクト |
| 技術分野 | 人工知能をめぐる動向 | 4 | 知識表現とエキスパートシステム | DENDRAL | 質量分析の結果から有機化合物の構造を推定することを目的とした初期の科学分野向けエキスパートシステム |
| 技術分野 | 人工知能をめぐる動向 | 4 | 知識表現とエキスパートシステム | is-a の関係・has-a の関係・part-of の関係 | クラスとその下位概念を結ぶis-a所有や属性を表すhas-a全体と部分の構成を表すpart-ofといった知識表現で頻用される関係 |
| 技術分野 | 人工知能をめぐる動向 | 4 | 知識表現とエキスパートシステム | Question Answering | 自然言語で与えられた質問に対し知識ベースや文書集合から情報を取り出し推論して適切な答えを返すシステム |
| 技術分野 | 人工知能をめぐる動向 | 4 | 知識表現とエキスパートシステム | 意味ネットワーク | 概念をノード関係をリンクとして表し意味的つながりをグラフ構造で表現する知識表現の形式 |
| 技術分野 | 人工知能をめぐる動向 | 4 | 知識表現とエキスパートシステム | イライザ (ELIZA) | パターンマッチと言い換え規則によりカウンセラーのような対話を擬似的に行う初期の会話ボットプログラム |
| 技術分野 | 人工知能をめぐる動向 | 4 | 知識表現とエキスパートシステム | インタビューシステム | ユーザや専門家に質問を投げかけて回答を得ながら診断や判断を行ったり知識を聞き出したりする対話型のエキスパートシステム |
| 技術分野 | 人工知能をめぐる動向 | 4 | 知識表現とエキスパートシステム | ウェブマイニング | ウェブページの内容構造利用履歴などのデータからパターンや知識を抽出するデータマイニング技術 |
| 技術分野 | 人工知能をめぐる動向 | 4 | 知識表現とエキスパートシステム | オントロジー | 対象領域の概念とそれらの関係を明示的に定義した語彙とルールの集合で機械可読な知識モデル |
| 技術分野 | 人工知能をめぐる動向 | 4 | 知識表現とエキスパートシステム | セマンティック Web | ウェブ上の情報に意味的なメタデータを付与しRDFやOWLなどを用いてコンピュータが内容を理解し推論できるようにした拡張ウェブ構想 |
| 技術分野 | 人工知能をめぐる動向 | 4 | 知識表現とエキスパートシステム | データマイニング | 大量のデータから統計的手法や機械学習を用いて有用なパターンや規則を発見するプロセス |
| 技術分野 | 人工知能をめぐる動向 | 4 | 知識表現とエキスパートシステム | 東ロボくん | 大学入試問題とくに東京大学合格レベルを目指して自動解答することに挑戦した日本のプロジェクトでAIの限界や課題を検証する試み |
| 技術分野 | 人工知能をめぐる動向 | 4 | 知識表現とエキスパートシステム | マイシン (MYCIN) | 感染症の診断と抗生物質選択を支援するためのルールベースエキスパートシステムの代表例 |
| 技術分野 | 人工知能をめぐる動向 | 4 | 知識表現とエキスパートシステム | ワトソン | クイズ番組で人間チャンピオンに勝利したことで知られるIBMの質問応答システムで大量の文書から自然言語処理と推論で回答を導く |
| 技術分野 | 人工知能をめぐる動向 | 5 | 機械学習 | 次元の呪い | 特徴量の次元数が増えるほどデータが疎になり計算量や必要なデータ量が急増して学習や汎化が難しくなる現象 |
| 技術分野 | 人工知能をめぐる動向 | 5 | 機械学習 | スパムフィルタ | メールなどの内容や送信元などから学習しスパムか正常かを自動判定する機械学習による分類システム |
| 技術分野 | 人工知能をめぐる動向 | 5 | 機械学習 | ビッグデータ | 従来のデータベース技術では扱いが難しいほど大量かつ多様かつ高速に生成されるデジタルデータ群 |
| 技術分野 | 人工知能をめぐる動向 | 5 | 機械学習 | レコメンデーションエンジン | ユーザの履歴や属性とアイテムの特徴を学習し一人ひとりに合いそうな商品やコンテンツを自動的に提示する仕組み |
| 技術分野 | 人工知能をめぐる動向 | 5 | 機械学習 | 統計的自然言語処理 | 大規模なテキストデータに基づき統計モデルや機械学習を用いて言語処理を行う手法の総称 |
| 技術分野 | 人工知能をめぐる動向 | 6 | ディープラーニング | ImageNet | 一千万枚規模のラベル付き画像から成る公開データセットで物体認識モデルの学習と評価の標準ベンチマークとして使われた |
| 技術分野 | 人工知能をめぐる動向 | 6 | ディープラーニング | ILSVRC | ImageNet を使った画像分類や物体検出の世界的なコンペティションでディープラーニングブームのきっかけとなった評価大会 |
| 技術分野 | 人工知能をめぐる動向 | 6 | ディープラーニング | LeNet | 手書き数字認識を対象とした初期の畳み込みニューラルネットワークで現在の CNN の原型となったモデル |
| 技術分野 | 人工知能をめぐる動向 | 6 | ディープラーニング | アルファ碁 (AlphaGo) | ディープラーニングとモンテカルロ木探索を組み合わせプロ棋士を打ち負かした囲碁プログラム |
| 技術分野 | 人工知能をめぐる動向 | 6 | ディープラーニング | 人間の神経回路 | 脳内のニューロンとシナプスから成る情報処理の仕組みで人工ニューラルネットワークの着想源となった構造 |
| 技術分野 | 人工知能をめぐる動向 | 6 | ディープラーニング | ネオコグニトロン | 視覚野の階層構造を模した多層ネットワークで局所特徴の抽出と位置ずれに強い認識を実現した畳み込み型モデル |
| 技術分野 | 人工知能をめぐる動向 | 6 | ディープラーニング | 生成 AI | 学習した確率分布に基づき新しい文章や画像や音声などのデータを自動生成する人工知能技術の総称 |
| 技術分野 | 機械学習の概要 | 7 | 教師あり学習 | アンサンブル学習 | 複数のモデルを組み合わせて予測を行い単独モデルより精度や安定性を高める学習手法 |
| 技術分野 | 機械学習の概要 | 7 | 教師あり学習 | カーネル | 元の特徴量空間の内積を高次元特徴空間の内積として扱えるようにする類似度関数でSVMなどに用いられる |
| 技術分野 | 機械学習の概要 | 7 | 教師あり学習 | カーネルトリック | 高次元特徴への明示的な変換を行わずカーネル関数だけでその空間の内積を計算して非線形問題を解く工夫 |
| 技術分野 | 機械学習の概要 | 7 | 教師あり学習 | 回帰問題 | 入力に対して連続値の出力を予測する教師あり学習の問題設定 |
| 技術分野 | 機械学習の概要 | 7 | 教師あり学習 | 決定木 | 特徴量に対する条件分岐を木構造で表現し葉に予測値やクラスを割り当てるモデル |
| 技術分野 | 機械学習の概要 | 7 | 教師あり学習 | 勾配ブースティング | 損失の勾配情報を用いながら弱学習器を逐次追加していき誤差を減らしていくブースティング手法 |
| 技術分野 | 機械学習の概要 | 7 | 教師あり学習 | サポートベクターマシン (SVM) | クラス間のマージンを最大にする超平面を求めることで分類や回帰を行うカーネル法ベースの学習アルゴリズム |
| 技術分野 | 機械学習の概要 | 7 | 教師あり学習 | 線形回帰 | 説明変数と目的変数の関係を一次式で近似し最小二乗法などで係数を推定する回帰モデル |
| 技術分野 | 機械学習の概要 | 7 | 教師あり学習 | 自己回帰モデル (ARモデル) | 時系列の現在値を過去の自分自身の値の線形結合として表す統計的時系列モデル |
| 技術分野 | 機械学習の概要 | 7 | 教師あり学習 | 単回帰分析 | 一つの説明変数と一つの目的変数の関係を線形回帰で解析する手法 |
| 技術分野 | 機械学習の概要 | 7 | 教師あり学習 | 重回帰分析 | 複数の説明変数を用いて目的変数を線形回帰で説明する回帰分析 |
| 技術分野 | 機械学習の概要 | 7 | 教師あり学習 | 多クラス分類 | 三つ以上のクラスのいずれかに入力を割り当てる分類問題 |
| 技術分野 | 機械学習の概要 | 7 | 教師あり学習 | バギング | ブートストラップサンプルごとに学習器を作りその結果を平均や多数決で統合して分散を減らすアンサンブル手法 |
| 技術分野 | 機械学習の概要 | 7 | 教師あり学習 | ブースティング | 誤分類されたデータに重み付けをしながら弱学習器を逐次追加し全体として強い学習器を構成するアンサンブル手法 |
| 技術分野 | 機械学習の概要 | 7 | 教師あり学習 | ブートストラップサンプリング | 元データから復元抽出で同じサイズのサンプルを繰り返し作る再標本化方法 |
| 技術分野 | 機械学習の概要 | 7 | 教師あり学習 | 分類問題 | 入力を離散的なクラスラベルのいずれかに割り当てる教師あり学習の問題設定 |
| 技術分野 | 機械学習の概要 | 7 | 教師あり学習 | ベクトル自己回帰モデル (VARモデル) | 複数系列から成る多変量時系列について各系列の現在値を全系列の過去の値の線形結合で表すモデル |
| 技術分野 | 機械学習の概要 | 7 | 教師あり学習 | マージン最大化 | 分類境界と各クラスのデータ点との距離をできるだけ大きく取ることで汎化性能を高めようとする考え方 |
| 技術分野 | 機械学習の概要 | 7 | 教師あり学習 | ランダムフォレスト | 決定木を多数作成し特徴量とデータをランダムに選びながら学習させその予測を多数決や平均で統合するアンサンブルモデル |
| 技術分野 | 機械学習の概要 | 7 | 教師あり学習 | ロジスティック回帰 | 線形結合をシグモイド関数などで確率に変換し主に二値分類に用いられる統計モデルで多クラス拡張もある |
| 技術分野 | 機械学習の概要 | 8 | 教師なし学習 | k-means 法 | クラスタ中心をあらかじめ決めた個数だけ仮定し各データを最も近い中心に割り当て中心を更新する操作を繰り返す代表的なクラスタリング手法 |
| 技術分野 | 機械学習の概要 | 8 | 教師なし学習 | t-SNE | 高次元データ間の類似度を確率的に表現しその関係が保たれるように低次元へ写像して可視化する次元削減手法 |
| 技術分野 | 機械学習の概要 | 8 | 教師なし学習 | ウォード法 | クラスタを統合したときの全体の分散の増加が最も小さくなる組合せを選びながら段階的に結合していく階層的クラスタリングの手法 |
| 技術分野 | 機械学習の概要 | 8 | 教師なし学習 | 協調フィルタリング | 多くのユーザとアイテムの評価履歴をもとに似たユーザやアイテムを探しまだ評価していないアイテムを推薦する手法 |
| 技術分野 | 機械学習の概要 | 8 | 教師なし学習 | クラスタリング | 正解ラベルのないデータを類似度などに基づいて自然なグループに分ける教師なし学習の代表的なタスク |
| 技術分野 | 機械学習の概要 | 8 | 教師なし学習 | コールドスタート問題 | レコメンドなどで新しいユーザやアイテムには履歴がほとんどなく好みを推定しにくいことで精度が出にくくなる問題 |
| 技術分野 | 機械学習の概要 | 8 | 教師なし学習 | コンテンツベースフィルタリング | アイテムのジャンルやキーワードなどの内容情報とユーザの嗜好特徴を使って似たアイテムを推薦する手法 |
| 技術分野 | 機械学習の概要 | 8 | 教師なし学習 | 次元削減 | 多数の特徴量を持つ高次元データを重要な情報をできるだけ保ったまま扱いやすい低次元空間に写像する変換 |
| 技術分野 | 機械学習の概要 | 8 | 教師なし学習 | 主成分分析 (PCA) | 分散が最も大きくなる方向を主成分として順に求めその軸に射影することで次元を削減する線形手法 |
| 技術分野 | 機械学習の概要 | 8 | 教師なし学習 | 潜在的ディリクレ配分法 (LDA) | 文書を複数の潜在トピックの混合として表し単語の出現パターンからトピック構造を推定する確率的トピックモデル |
| 技術分野 | 機械学習の概要 | 8 | 教師なし学習 | 多次元尺度構成法 (MDS) | 対象間の距離や類似度ができるだけ保たれるように低次元空間上に点を配置して可視化する次元削減手法 |
| 技術分野 | 機械学習の概要 | 8 | 教師なし学習 | デンドログラム (樹形図) | 階層的クラスタリングでどのクラスタがどの順序で結合されたかを木構造として表した図 |
| 技術分野 | 機械学習の概要 | 8 | 教師なし学習 | 特異値分解 (SVD) | 行列を左特異ベクトルと特異値と右特異ベクトルの積に分解する方法で次元削減や潜在要因の抽出に用いられる |
| 技術分野 | 機械学習の概要 | 8 | 教師なし学習 | トピックモデル | 文書集合の単語の共起パターンから潜在的な話題を確率的に推定し文書をトピックの混合として表すモデル群 |
| 技術分野 | 機械学習の概要 | 9 | 強化学習 | Actor-Critic | 方策を表すアクターと価値関数を表すクリティックを同時に学習して方策改善を行う強化学習手法 |
| 技術分野 | 機械学習の概要 | 9 | 強化学習 | ε-greedy 方策 | 確率イプシロンでランダムな行動を選び残りの確率で現在の価値が最大の行動を選ぶことで探索と活用を両立させる方策 |
| 技術分野 | 機械学習の概要 | 9 | 強化学習 | REINFORCE | エピソード全体の報酬を用いて方策の対数確率の勾配に沿ってパラメータを更新するモンテカルロ方策勾配法 |
| 技術分野 | 機械学習の概要 | 9 | 強化学習 | Q 学習 | 状態と行動の組に対する価値を逐次更新し次状態での最大値を利用して最適行動価値関数を推定するオフポリシー型の強化学習手法 |
| 技術分野 | 機械学習の概要 | 9 | 強化学習 | UCB 方策 | 推定された報酬の平均値に不確実性に応じた上側信頼境界を足しその値が最大となる行動を選んで探索と活用のバランスを取る手法 |
| 技術分野 | 機械学習の概要 | 9 | 強化学習 | 行動価値関数 | ある状態で特定の行動をとりその後方策に従ったときに得られる将来報酬の期待値を表す関数 |
| 技術分野 | 機械学習の概要 | 9 | 強化学習 | 状態価値関数 | ある状態から方策に従って行動したときに得られる将来報酬の期待値を状態ごとに表した関数 |
| 技術分野 | 機械学習の概要 | 9 | 強化学習 | バンディットアルゴリズム | 複数の選択肢の中から未知の報酬分布を持つ腕を逐次選択しながら情報を集めつつ獲得報酬の累積を最大化しようとするアルゴリズム群 |
| 技術分野 | 機械学習の概要 | 9 | 強化学習 | 方策勾配法 | 方策を連続パラメータで表現し期待報酬の勾配を推定して方策パラメータを直接更新する強化学習手法 |
| 技術分野 | 機械学習の概要 | 9 | 強化学習 | マルコフ決定過程 | 状態行動遷移確率報酬割引率から構成され現在の状態と行動だけで次の状態が決まるというマルコフ性を持つ意思決定の枠組み |
| 技術分野 | 機械学習の概要 | 9 | 強化学習 | 割引率 | 将来の報酬をどの程度現在の価値として重視するかを表すゼロから一の係数で値が小さいほど遠い将来の報酬の重みが小さくなる |
| 技術分野 | 機械学習の概要 | 9 | 強化学習 | SARSA | 現在の状態と行動次の状態と実際に選んだ次行動と報酬から行動価値を更新するオンポリシー型の時系列差分学習手法 |
| 技術分野 | 機械学習の概要 | 10 | モデルの選択・評価 | k- 分割交差検証 | データをほぼ同じ大きさのk個の部分集合に分けてそのうち1つを評価用残りを学習用とし順番に入れ替えながらk回評価することで性能を安定に見積もる方法 |
| 技術分野 | 機械学習の概要 | 10 | モデルの選択・評価 | 平均二乗誤差 (MSE) | 予測値と実測値の差を二乗して平均した回帰問題でよく使われる誤差指標で大きな誤差をより強くペナルティする |
| 技術分野 | 機械学習の概要 | 10 | モデルの選択・評価 | 二乗平均平方根誤差 (RMSE) | 平均二乗誤差の平方根で元の値と同じスケールで誤差の大きさを表す指標 |
| 技術分野 | 機械学習の概要 | 10 | モデルの選択・評価 | 平均絶対値誤差 (MAE) | 予測値と実測値の差の絶対値を平均した指標で大きな外れ値の影響を抑えたいときに用いられる |
| 技術分野 | 機械学習の概要 | 10 | モデルの選択・評価 | ROC 曲線・AUC | しきい値を変化させたときの真陽性率と偽陽性率の関係を図示したものがROC曲線でその曲線下の面積がAUCとなり分類性能の良さを一値で表す |
| 技術分野 | 機械学習の概要 | 10 | モデルの選択・評価 | 赤池情報量規準 (AIC) | 尤度とパラメータ数から計算され当てはまりの良さとモデルの複雑さのバランスを取って比較するための情報量規準値 |
| 技術分野 | 機械学習の概要 | 10 | モデルの選択・評価 | オッカムの剃刀 | 説明力が同程度ならより単純な仮説やモデルを選ぶべきとする考え方 |
| 技術分野 | 機械学習の概要 | 10 | モデルの選択・評価 | 過学習 | 学習データにはよく適合するがノイズまで覚え込んでしまい未知データでの性能が落ちてしまう状態 |
| 技術分野 | 機械学習の概要 | 10 | モデルの選択・評価 | 交差検証 | データを複数の分割に分けて学習と評価を入れ替えながら何度か試すことで性能を安定して推定する検証方法の総称 |
| 技術分野 | 機械学習の概要 | 10 | モデルの選択・評価 | 偽陽性・偽陰性 | 本当は陰性なのに陽性と判定する誤りが偽陽性本当は陽性なのに陰性と判定する誤りが偽陰性 |
| 技術分野 | 機械学習の概要 | 10 | モデルの選択・評価 | 真陽性・真陰性 | 本当に陽性のものを陽性と正しく判定したものが真陽性本当に陰性のものを陰性と正しく判定したものが真陰性 |
| 技術分野 | 機械学習の概要 | 10 | モデルの選択・評価 | 混同行列 | 分類問題で真のクラスと予測クラスの組合せごとの件数を表にまとめたもの |
| 技術分野 | 機械学習の概要 | 10 | モデルの選択・評価 | 正解率・適合率・再現率・F 値 | 正解率は全体のうち正しく分類できた割合適合率は陽性と予測したうち真に陽性だった割合再現率は真の陽性のうち陽性と予測できた割合F値は適合率と再現率の調和平均 |
| 技術分野 | 機械学習の概要 | 10 | モデルの選択・評価 | 汎化性能 | 学習に使っていない未知データに対してどの程度良い予測ができるかという性能 |
| 技術分野 | 機械学習の概要 | 10 | モデルの選択・評価 | ベイズ情報量規準 (BIC) | AICに似るがサンプル数に応じてより強くパラメータ数を罰則する情報量規準でシンプルなモデルをより選びやすい指標 |
| 技術分野 | 機械学習の概要 | 10 | モデルの選択・評価 | ホールドアウト検証 | データを学習用と評価用に一度だけ分割し学習データでモデルを作り評価データで性能を確認する基本的な検証方法 |
| 技術分野 | ディープラーニングの概要 | 11 | ニューラルネットワークとディープラーニング | CPU | コンピュータ全体の処理を担う汎用の中央演算装置で逐次処理が得意なプロセッサ |
| 技術分野 | ディープラーニングの概要 | 11 | ニューラルネットワークとディープラーニング | GPU | もともと画像処理用に開発された多数の演算ユニットを持つプロセッサで行列演算などを高速に並列処理できディープラーニングでよく利用される |
| 技術分野 | ディープラーニングの概要 | 11 | ニューラルネットワークとディープラーニング | TPU | グーグルが機械学習用に設計した専用プロセッサでテンソル演算を高速かつ省電力で実行できるハードウェア |
| 技術分野 | ディープラーニングの概要 | 11 | ニューラルネットワークとディープラーニング | 隠れ層・入力層・出力層 | 入力層は外から特徴量を受け取る層隠れ層は中間表現を学習する層出力層は最終的な予測値やクラスを出す層を指す |
| 技術分野 | ディープラーニングの概要 | 11 | ニューラルネットワークとディープラーニング | 多層パーセプトロン | 入力層と一つ以上の隠れ層と出力層からなる全結合型のフィードフォワードニューラルネットワーク |
| 技術分野 | ディープラーニングの概要 | 11 | ニューラルネットワークとディープラーニング | 単純パーセプトロン | 重み付き和にしきい値関数などを適用して二値分類を行う単層の線形分類器で線形分離可能な問題のみ解ける |
| 技術分野 | ディープラーニングの概要 | 12 | 活性化関数 | Leaky ReLU 関数 | 入力が負のときにも小さな傾きを持たせて出力をわずかに変化させることでニューロンが完全に死ぬことを防ぐ ReLU の変種 |
| 技術分野 | ディープラーニングの概要 | 12 | 活性化関数 | ReLU 関数 | 入力が正ならそのまま出力し負なら零を出す関数で勾配消失を起こしにくくディープラーニングで広く使われる |
| 技術分野 | ディープラーニングの概要 | 12 | 活性化関数 | tanh 関数 | 入力をマイナス一からプラス一の範囲に滑らかに写像する双曲線正接関数でゼロ中心の出力を持つ |
| 技術分野 | ディープラーニングの概要 | 12 | 活性化関数 | シグモイド関数 | 入力を零から一の範囲の滑らかな曲線に写像するS字型の活性化関数で確率のような出力に解釈しやすい |
| 技術分野 | ディープラーニングの概要 | 12 | 活性化関数 | ソフトマックス関数 | 複数の入力を指数関数で変換し総和が一となるよう正規化することで各クラスに属する確率分布として解釈できるようにする関数 |
| 技術分野 | ディープラーニングの概要 | 12 | 活性化関数 | 勾配消失問題 | 層が深くなるほど逆伝播で伝わる勾配の値が極端に小さくなり前の層の重みがほとんど更新されなくなる学習上の問題 |
| 技術分野 | ディープラーニングの概要 | 13 | 誤差関数 | Contrastive Loss | 類似ペアの距離は近く非類似ペアの距離は一定以上離れるように二つ組のサンプル間距離を学習させる損失関数 |
| 技術分野 | ディープラーニングの概要 | 13 | 誤差関数 | Triplet Loss | アンカーとそれに似た正例と異なる負例の三つ組を用いアンカーと正例の距離よりアンカーと負例の距離が十分大きくなるように学習させる損失関数 |
| 技術分野 | ディープラーニングの概要 | 13 | 誤差関数 | カルバック・ライブラー情報量 (KL) | ある確率分布が別の確率分布からどれだけずれているかを測る非対称な指標で分布間の距離を測るのに使われる |
| 技術分野 | ディープラーニングの概要 | 13 | 誤差関数 | 交差エントロピー | 真の分布と予測分布の食い違いを測る損失で分類問題において正解クラスの対数確率のマイナス平均で定義されることが多い |
| 技術分野 | ディープラーニングの概要 | 13 | 誤差関数 | 平均二乗誤差関数 | 予測値と正解値の差を二乗して平均した回帰問題でよく用いられる損失関数 |
| 技術分野 | ディープラーニングの概要 | 14 | 正則化 | L0 正則化 | モデルパラメータのうちゼロでない要素の個数を罰則項として加えパラメータ数そのものを減らすことを目的とする正則化手法 |
| 技術分野 | ディープラーニングの概要 | 14 | 正則化 | L1 正則化 | 重みの絶対値の和を損失に罰則として加えることで多くの重みをちょうどゼロにし疎なモデルを得やすくする正則化 |
| 技術分野 | ディープラーニングの概要 | 14 | 正則化 | L2 正則化 | 重みの二乗和を罰則として加えることで大きな重みを抑え滑らかで過学習しにくいモデルにする正則化 |
| 技術分野 | ディープラーニングの概要 | 14 | 正則化 | 正則化 | 損失関数にモデルの複雑さを表す罰則項などを加えることで過学習を防ぎ汎化性能を高めるための手法全般 |
| 技術分野 | ディープラーニングの概要 | 14 | 正則化 | ドロップアウト | 学習時に各ニューロンを一定確率で一時的に無効化しユニット同士の共適応を抑えて汎化性能を高める手法 |
| 技術分野 | ディープラーニングの概要 | 14 | 正則化 | ラッソ回帰 | L1正則化を導入した線形回帰で不要な説明変数の係数がゼロになりやすく変数選択効果も持つ回帰手法 |
| 技術分野 | ディープラーニングの概要 | 14 | 正則化 | リッジ回帰 | L2正則化を導入した線形回帰で重みの大きさを抑えることで多重共線性の影響を和らげ過学習を防ぐ手法 |
| 技術分野 | ディープラーニングの概要 | 15 | 誤差逆伝播法 | 勾配消失問題 | 層が深くなるにつれ逆伝播で伝わる勾配の値が極端に小さくなり前段の重みがほとんど更新されなくなる学習上の問題 |
| 技術分野 | ディープラーニングの概要 | 15 | 誤差逆伝播法 | 勾配爆発問題 | 逆伝播で計算される勾配の値が極端に大きくなり重み更新が不安定になったり数値的に発散してしまう問題 |
| 技術分野 | ディープラーニングの概要 | 15 | 誤差逆伝播法 | 信用割当問題 | 最終的な出力や報酬の結果に対してどのニューロンやどの時点の行動がどれだけ貢献したのかを個々の要素に割り当てることが難しいという問題 |
| 技術分野 | ディープラーニングの概要 | 15 | 誤差逆伝播法 | 連鎖律 | 複合関数の微分を外側の微分と内側の微分の積として計算できるという微分法の性質で誤差逆伝播で勾配を伝播させる理論的な基盤 |
| 技術分野 | ディープラーニングの概要 | 16 | 最適化手法 | AdaBound | Adam のような適応的学習率と通常の SGD の挙動をなめらかにつなぎ学習率の上下限を制限して安定性を高めた最適化手法 |
| 技術分野 | ディープラーニングの概要 | 16 | 最適化手法 | AdaDelta | 勾配の二乗和だけでなく更新量の二乗和も用いて学習率を自動調整し事前に学習率を決めなくてもよいようにした手法 |
| 技術分野 | ディープラーニングの概要 | 16 | 最適化手法 | AdaGrad | 各パラメータごとに過去の勾配の大きさを蓄積し勾配が大きいパラメータほど学習率を小さくして更新量を抑える手法 |
| 技術分野 | ディープラーニングの概要 | 16 | 最適化手法 | Adam | 勾配の一次モーメントと二次モーメントの推定を組み合わせて各パラメータの学習率を自動調整するよく使われる最適化アルゴリズム |
| 技術分野 | ディープラーニングの概要 | 16 | 最適化手法 | AMSBound | Adam の急激な学習率変化による収束不安定を抑えるため学習率に上下限を設けた Adam 系の改良手法 |
| 技術分野 | ディープラーニングの概要 | 16 | 最適化手法 | RMSprop | 勾配二乗の指数移動平均を用いて最近の勾配の大きさに応じて学習率を調整する最適化手法 |
| 技術分野 | ディープラーニングの概要 | 16 | 最適化手法 | 鞍点 | ある方向には谷で別の方向には山になっている点で勾配がほぼゼロとなり学習が停滞しやすい状態 |
| 技術分野 | ディープラーニングの概要 | 16 | 最適化手法 | イテレーション | パラメータ更新などの計算を一回行うことまたはその繰り返し回数 |
| 技術分野 | ディープラーニングの概要 | 16 | 最適化手法 | エポック | 学習データ全体を一通り使って学習を一巡させることを表す単位 |
| 技術分野 | ディープラーニングの概要 | 16 | 最適化手法 | オンライン学習 | 新しいデータが到着するたびに逐次パラメータを更新する学習形態でストリームデータにも対応しやすい |
| 技術分野 | ディープラーニングの概要 | 16 | 最適化手法 | 学習率 | 勾配に対してどの程度パラメータを動かすかを決める係数で大きすぎると発散し小さすぎると収束が遅くなる |
| 技術分野 | ディープラーニングの概要 | 16 | 最適化手法 | 確率的勾配降下法 (SGD) | 全データではなくランダムに選んだサンプルまたは小さなバッチで勾配を近似しながら繰り返し更新する勾配降下法 |
| 技術分野 | ディープラーニングの概要 | 16 | 最適化手法 | グリッドサーチ | ハイパーパラメータの候補値の格子をあらかじめ決め全ての組合せを総当たりで試して良い組を探す方法 |
| 技術分野 | ディープラーニングの概要 | 16 | 最適化手法 | 勾配降下法 | 損失関数の勾配の負の方向にパラメータを少しずつ動かして損失が小さくなる点を探す基本的な最適化手法 |
| 技術分野 | ディープラーニングの概要 | 16 | 最適化手法 | 局所最適解 | 探索している範囲の近傍では最も損失が小さいが全体としてはもっと良い解が別の場所に存在するような解 |
| 技術分野 | ディープラーニングの概要 | 16 | 最適化手法 | 早期終了 | 学習を続けると訓練誤差は下がるが検証誤差が悪化し始めるタイミングで学習を打ち切り過学習を防ぐ手法 |
| 技術分野 | ディープラーニングの概要 | 16 | 最適化手法 | 大域最適解 | 探索空間全体の中で損失が最も小さい真の最良解 |
| 技術分野 | ディープラーニングの概要 | 16 | 最適化手法 | 二重降下現象 | モデルの容量を増やしていくと一度テスト誤差が悪化したあとさらに容量を増やすと再び誤差が下がるという振る舞い |
| 技術分野 | ディープラーニングの概要 | 16 | 最適化手法 | ノーフリーランチの定理 | あらゆる問題に対して常に他より優れた性能を発揮する学習アルゴリズムは存在しないとする理論結果 |
| 技術分野 | ディープラーニングの概要 | 16 | 最適化手法 | ハイパーパラメータ | 学習率やバッチサイズなど学習アルゴリズムの外側で人が設定する必要があるパラメータ |
| 技術分野 | ディープラーニングの概要 | 16 | 最適化手法 | バッチ学習 | 手元の学習データ全体を用いてまとめて学習を行う形態でデータが固定されているときに用いられる |
| 技術分野 | ディープラーニングの概要 | 16 | 最適化手法 | ミニバッチ学習 | 全データをいくつかの小さなバッチに分けバッチごとに勾配を計算して更新するSGDとバッチ学習の中間的な学習形態 |
| 技術分野 | ディープラーニングの概要 | 16 | 最適化手法 | モーメンタム | 直近の更新方向を慣性として加味し谷間での振動を抑えつつ勾配方向に加速して収束を速める工夫 |
| 技術分野 | ディープラーニングの概要 | 16 | 最適化手法 | ランダムサーチ | ハイパーパラメータ空間から値をランダムにサンプリングして評価し良い組み合わせを探索する方法で次元が増えても効率が落ちにくい |
| 技術分野 | ディープラーニングの要素技術 | 17 | 全結合層 | 重み | 前の層のユニットの出力に掛け合わされるパラメータで学習によって値が更新されるニューラルネットワークの係数 |
| 技術分野 | ディープラーニングの要素技術 | 17 | 全結合層 | 線形関数 | 入力ベクトルに重みを掛けて足し合わせバイアスを加えた一次式で全結合層の基本的な変換を表す関数 |
| 技術分野 | ディープラーニングの要素技術 | 18 | 畳み込み層 | Atrous Convolution | フィルタの要素の間に空白を挿入して畳み込みし受容野を広げながらパラメータ数を増やさずに済ませる畳み込み手法 |
| 技術分野 | ディープラーニングの要素技術 | 18 | 畳み込み層 | Depthwise Separable Convolution | チャネルごとに独立に畳み込みを行うDepthwiseと一×一畳み込みのPointwiseを組み合わせ計算量を削減した畳み込み |
| 技術分野 | ディープラーニングの要素技術 | 18 | 畳み込み層 | Dilated Convolution | フィルタを一定間隔で拡張して適用し間引いた位置の入力を参照することで広い範囲の情報を少ないパラメータで捉える畳み込み |
| 技術分野 | ディープラーニングの要素技術 | 18 | 畳み込み層 | カーネル | 入力の局所領域に対して掛け合わせる小さな重み行列で特徴抽出を行うフィルタのパラメータ集合 |
| 技術分野 | ディープラーニングの要素技術 | 18 | 畳み込み層 | ストライド | 畳み込みやプーリングの際にフィルタをどれだけのピクセル数ずつ移動させるかを表す歩幅 |
| 技術分野 | ディープラーニングの要素技術 | 18 | 畳み込み層 | 畳み込み操作 | カーネルを入力の局所領域に滑らせながら位置ごとに重み付き和を計算し出力を得る演算 |
| 技術分野 | ディープラーニングの要素技術 | 18 | 畳み込み層 | 畳み込みニューラルネットワーク (CNN) | 畳み込み層やプーリング層を用いて画像などの空間構造を利用しながら特徴抽出と分類を行うニューラルネットワーク |
| 技術分野 | ディープラーニングの要素技術 | 18 | 畳み込み層 | 特徴マップ | 畳み込みやプーリングの結果として得られる各位置ごとの特徴量を並べた出力の二次元または三次元配列 |
| 技術分野 | ディープラーニングの要素技術 | 18 | 畳み込み層 | パディング | 畳み込みの前に入力の周囲にゼロなどの値を追加して出力サイズを調整したり端の情報を保ったりする処理 |
| 技術分野 | ディープラーニングの要素技術 | 18 | 畳み込み層 | フィルタ | 入力から特定のパターンを検出するための小さな重み行列でカーネルとも呼ばれる |
| 技術分野 | ディープラーニングの要素技術 | 19 | 正規化層 | グループ正規化 | チャネルをいくつかのグループに分けグループごとに平均と分散で正規化する手法でバッチサイズに依存しにくい |
| 技術分野 | ディープラーニングの要素技術 | 19 | 正規化層 | バッチ正規化 | 同一ミニバッチ内の各チャネルについて平均と分散を求め正規化することで勾配伝播を安定させ学習を速くする手法 |
| 技術分野 | ディープラーニングの要素技術 | 19 | 正規化層 | レイヤー正規化 | 各サンプルごとに層内の全ニューロンの出力を平均と分散で正規化する方法で系列長やバッチサイズの影響を受けにくい |
| 技術分野 | ディープラーニングの要素技術 | 19 | 正規化層 | インスタンス正規化 | 各サンプル各チャネルごとに空間方向の平均と分散をとって正規化する手法でスタイル変換などに用いられる |
| 技術分野 | ディープラーニングの要素技術 | 20 | プーリング層 | グローバルアベレージプーリング (GAP) | 特徴マップの空間方向全体の平均をチャネルごとに一つの値にまとめ特徴ベクトルに変換するプーリング |
| 技術分野 | ディープラーニングの要素技術 | 20 | プーリング層 | 最大値プーリング | 局所領域内の値のうち最大のものだけを残すプーリングで強い特徴を抽出し位置ずれに強くする |
| 技術分野 | ディープラーニングの要素技術 | 20 | プーリング層 | 不変性の獲得 | 入力が小さく平行移動回転伸縮しても出力が大きく変わらない性質を持たせること |
| 技術分野 | ディープラーニングの要素技術 | 20 | プーリング層 | 平均値プーリング | 局所領域内の値の平均をとって代表値とするプーリングでノイズをならしつつ情報を圧縮する |
| 技術分野 | ディープラーニングの要素技術 | 21 | スキップ結合 | ResNet | 中間層の出力に入力を足し合わせる残差ブロックを積み重ね非常に深いネットワークでも勾配が伝播しやすい構造を持つ畳み込みネットワーク |
| 技術分野 | ディープラーニングの要素技術 | 22 | 回帰結合層 | BPTT | 時系列方向に展開したリカレントネットワークに対して時間方向も含めて誤差逆伝播を行う学習アルゴリズム |
| 技術分野 | ディープラーニングの要素技術 | 22 | 回帰結合層 | GRU | ゲートを用いて入力と過去状態のどちらをどれだけ残すかを制御し長期依存を扱いやすくした簡略化されたリカレントユニット |
| 技術分野 | ディープラーニングの要素技術 | 22 | 回帰結合層 | LSTM | セル状態と複数のゲートを使って重要な情報を長く保持し勾配消失を起こしにくくしたリカレントネットワーク構造 |
| 技術分野 | ディープラーニングの要素技術 | 22 | 回帰結合層 | エルマンネットワーク | 隠れ層の出力を一部コピーして次の時刻の入力に戻すことで簡単な記憶機能を持たせた初期のリカレントネットワーク |
| 技術分野 | ディープラーニングの要素技術 | 22 | 回帰結合層 | 勾配消失問題 | 時系列方向に誤差を逆伝播する際に勾配が指数的に小さくなり前の時刻のパラメータがほとんど更新されなくなる問題 |
| 技術分野 | ディープラーニングの要素技術 | 22 | 回帰結合層 | 勾配爆発問題 | 時系列方向に誤差を逆伝播する際に勾配が極端に大きくなり学習が不安定になったり発散してしまう問題 |
| 技術分野 | ディープラーニングの要素技術 | 22 | 回帰結合層 | 教師強制 | 系列生成モデルの学習時に前時刻の入力としてモデルの予測ではなく正解ラベルを与える手法 |
| 技術分野 | ディープラーニングの要素技術 | 22 | 回帰結合層 | ゲート機構 | 入力や過去状態などの情報をどれだけ通すかをゼロから一の係数で制御し不要な情報を遮断する仕組み |
| 技術分野 | ディープラーニングの要素技術 | 22 | 回帰結合層 | 双方向 RNN (Bidirectional RNN) | 系列を順方向と逆方向の二つのRNNで処理し過去と未来の両方の文脈を利用して特徴を表現するネットワーク |
| 技術分野 | ディープラーニングの要素技術 | 22 | 回帰結合層 | 時系列データ | 時間の順序に沿って観測される連続したデータで過去の値が将来の値に影響する性質を持つデータ |
| 技術分野 | ディープラーニングの要素技術 | 22 | 回帰結合層 | ジョルダンネットワーク | 出力層の値を一部コピーして次の時刻の入力に戻すことでコンテキストを保持するリカレントネットワーク |
| 技術分野 | ディープラーニングの要素技術 | 22 | 回帰結合層 | リカレントニューラルネットワーク (RNN) | 時刻ごとに同じネットワークを繰り返し使い前の状態を次の入力に渡すことで系列データを扱うニューラルネットワーク |
| 技術分野 | ディープラーニングの要素技術 | 23 | Attention | Attention | 入力系列の各要素の重要度に応じて重み付けし必要な部分に計算資源を集中させる仕組み |
| 技術分野 | ディープラーニングの要素技術 | 23 | Attention | Multi-Head Attention | 複数の異なる空間で並行してAttentionを計算しそれぞれ異なる側面の関係を学習させる仕組み |
| 技術分野 | ディープラーニングの要素技術 | 23 | Attention | Self-Attention | 同じ系列内の要素同士の関係に基づいて各位置が他の位置をどれだけ参照するかを計算するAttention |
| 技術分野 | ディープラーニングの要素技術 | 23 | Attention | Seq2Seq | 入力系列を固定長のベクトルなどに符号化しそこから別の系列を復号するエンコーダデコーダ型のモデル枠組み |
| 技術分野 | ディープラーニングの要素技術 | 23 | Attention | Source-Target Attention | デコーダ側の各時刻がエンコーダ側の出力系列のどの部分にどれだけ注意を向けるかを計算するAttention |
| 技術分野 | ディープラーニングの要素技術 | 23 | Attention | Transformer | 自己Attentionと位置エンコーディングを中心に構成された再帰や畳み込みを使わない系列処理用のニューラルネットワーク |
| 技術分野 | ディープラーニングの要素技術 | 23 | Attention | 位置エンコーディング | 系列内での単語の順序情報をベクトルとして表現しトークン埋め込みに加えることで位置情報をモデルに与える方法 |
| 技術分野 | ディープラーニングの要素技術 | 23 | Attention | キー | Attentionにおいてクエリからの類似度を計算する対象側の特徴ベクトル |
| 技術分野 | ディープラーニングの要素技術 | 23 | Attention | クエリ | Attentionにおいてどの情報を探しているかを表す問い合わせ側の特徴ベクトル |
| 技術分野 | ディープラーニングの要素技術 | 23 | Attention | バリュー | Attentionにおいて実際に重み付き和をとる元となる情報の特徴ベクトル |
| 技術分野 | ディープラーニングの要素技術 | 24 | オートエンコーダ | VQ-VAE | 連続潜在変数の代わりに有限個のコードブックから離散的潜在ベクトルを選ぶ仕組みを導入した変分オートエンコーダ |
| 技術分野 | ディープラーニングの要素技術 | 24 | オートエンコーダ | info VAE | 潜在変数と観測データの間の情報量を制御する項を導入し再構成と潜在表現のバランスを調整しやすくした変分オートエンコーダ |
| 技術分野 | ディープラーニングの要素技術 | 24 | オートエンコーダ | β-VAE | 変分オートエンコーダの損失でKL項にβという重みを掛け潜在変数をより独立で解釈しやすい表現にしようとする手法 |
| 技術分野 | ディープラーニングの要素技術 | 24 | オートエンコーダ | 次元削減 | 入力データを圧縮し重要な情報だけを少数の潜在変数に写像することで低次元表現を得る処理 |
| 技術分野 | ディープラーニングの要素技術 | 24 | オートエンコーダ | 事前学習 | 最終タスクとは別の補助的な目的であらかじめネットワークを学習させその重みを初期値として本番の学習に利用すること |
| 技術分野 | ディープラーニングの要素技術 | 24 | オートエンコーダ | 積層オートエンコーダ | オートエンコーダを層ごとに順番に学習しそれらを重ね合わせて深いネットワークとして用いる構成 |
| 技術分野 | ディープラーニングの要素技術 | 24 | オートエンコーダ | 変分オートエンコーダ (VAE) | 潜在変数に確率分布を仮定し再構成誤差と事前分布とのずれを同時に最小化することで生成モデルとしても使えるオートエンコーダ |
| 技術分野 | ディープラーニングの要素技術 | 25 | データ拡張 | Contrast | 画像のコントラストを強めたり弱めたりして明暗差を変え別パターンの学習データを増やす方法 |
| 技術分野 | ディープラーニングの要素技術 | 25 | データ拡張 | Brightness | 画像全体の明るさを上下させて照明条件などの違いにモデルを慣れさせるデータ拡張 |
| 技術分野 | ディープラーニングの要素技術 | 25 | データ拡張 | Crop | 画像の一部分を切り出して入力とすることで位置やスケールの違いに対する頑健性を高める手法 |
| 技術分野 | ディープラーニングの要素技術 | 25 | データ拡張 | CutMix | 二枚の画像を矩形領域で切り貼りして一枚に合成しラベルも領域の比率で混ぜるデータ拡張 |
| 技術分野 | ディープラーニングの要素技術 | 25 | データ拡張 | Cutout | 画像の一部の矩形領域をランダムにマスクして情報を隠し部分欠損に強いモデルにする手法 |
| 技術分野 | ディープラーニングの要素技術 | 25 | データ拡張 | Mixup | 二つのサンプルとラベルを線形補間して中間的な入力とラベルを作ることで決定境界をなめらかにする手法 |
| 技術分野 | ディープラーニングの要素技術 | 25 | データ拡張 | noising | 元のデータにガウスノイズなどの雑音を加えて多少のゆらぎに頑健なモデルを学習させる方法 |
| 技術分野 | ディープラーニングの要素技術 | 25 | データ拡張 | paraphrasing | 意味は同じで表現の異なる文章に言い換えたデータを生成し自然言語の学習データを増やす方法 |
| 技術分野 | ディープラーニングの要素技術 | 25 | データ拡張 | RandAugument | いくつか用意された画像変換の中からランダムに種類と強さを選んで複数適用する自動データ拡張手法 |
| 技術分野 | ディープラーニングの要素技術 | 25 | データ拡張 | Random Erasing | 画像内のランダムな領域を選んで一様色などで塗りつぶしオクルージョンに強いモデルを目指す拡張 |
| 技術分野 | ディープラーニングの要素技術 | 25 | データ拡張 | Random Flip | 画像を左右や上下にランダムで反転させ向きが変わっても正しく認識できるようにする手法 |
| 技術分野 | ディープラーニングの要素技術 | 25 | データ拡張 | Rotate | 画像を一定範囲の角度で回転させて傾きに対するロバスト性を高めるデータ拡張 |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | AlexNet | ILSVRC2012で従来手法を大きく上回る精度を出しディープラーニングブームのきっかけとなった畳み込みニューラルネットワーク |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | DeepLab | アトラス畳み込みなどを用いて空間解像度を保ちながら画素単位でクラスを割り当てるセマンティックセグメンテーションモデル |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | DenseNet | 各層が前の全ての層の出力を入力として受け取る密結合構造を持ち勾配伝播と特徴再利用を改善した畳み込みネットワーク |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | EfficientNet | ネットワークの深さ幅入力解像度をバランス良くスケールさせることでパラメータ数と計算量に対して高い精度を実現したモデル群 |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | Fast R-CNN | 候補領域を一度の畳み込み特徴からまとめて処理しRoIプーリングで領域ごとの特徴を取り出すことでR-CNNを高速化した物体検出手法 |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | Faster R-CNN | 畳み込み特徴から候補領域を生成するリージョンプロポーザルネットワークを組み込みエンドツーエンドで学習可能にした物体検出モデル |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | FCN (Fully Convolutional Network) | 全結合層を畳み込みに置き換え特徴マップをアップサンプリングして画素ごとにクラスを出力するセマンティックセグメンテーション用ネットワーク |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | FPN | 異なる解像度の特徴マップをトップダウンと横方向の結合で統合しマルチスケールな物体検出性能を高めるフィーチャピラミッドネットワーク |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | GoogLeNet | Inceptionモジュールと呼ばれる複数サイズの畳み込みを並列に行うブロックを積み上げ少ないパラメータで高精度を達成したCNN |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | Mask R-CNN | 物体検出と同時に各物体ごとのマスクを予測するブランチを追加しインスタンスセグメンテーションを実現したFaster R-CNNの拡張モデル |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | MnasNet | モバイル端末での速度と精度のトレードオフを考慮してニューラルアーキテクチャサーチにより自動設計された軽量畳み込みネットワーク |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | MobileNet | 深さ方向分離畳み込みを用いてパラメータ数と計算量を大幅に削減し組み込みやモバイル向けに設計された軽量CNN |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | NAS (Neural Architecture Search) | 探索アルゴリズムを用いてネットワーク構造そのものを自動探索し人手設計に頼らず高性能なアーキテクチャを得る手法 |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | Open Pose | 画像や動画から人体の関節位置を推定し複数人の姿勢を同時に推定できるポーズ推定モデル |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | PSPNet | 複数スケールの領域プーリングでグローバルな文脈情報を取り込みシーン全体の意味理解を重視したセマンティックセグメンテーションモデル |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | ResNet | スキップ結合による残差ブロックを用いて非常に深いネットワークでも学習を安定させた畳み込みニューラルネットワーク |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | SegNet | エンコーダでのプーリング位置を保存しデコーダ側でアップサンプリングに利用するエンコーダデコーダ型セグメンテーションネットワーク |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | SENet | チャネル方向の重要度を推定して重み付けするSqueeze and Excitationブロックを導入し既存のCNNの表現力を高めたモデル |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | SSD | 複数スケールの特徴マップ上で一度の推論で物体の位置とクラスを予測するシングルショット型の物体検出モデル |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | U-Net | U字型のエンコーダデコーダ構造とスキップ結合を持ち医用画像などで高精度なセマンティックセグメンテーションに使われるネットワーク |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | VGG | ３×３の小さな畳み込みを深く積み重ねたシンプルな構造で知られる畳み込みネットワーク群 |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | Vision Transformer | 画像をパッチに分割しトークンとして扱いトランスフォーマーで処理する画像認識用アーキテクチャ |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | Wide ResNet | ResNetの層の深さを抑える代わりにチャネル数を増やして性能と学習のしやすさを両立させた残差ネットワーク |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | YOLO | 画像をグリッドに分割し各セルから物体の位置とクラスを一括予測するリアルタイム物体検出モデル |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | 一般物体認識 | 犬や車など日常にある多様なカテゴリの物体が画像中に何であるかを判別するタスクの総称 |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | インスタンスセグメンテーション | 画像内の個々の物体ごとに領域を塗り分け同じクラスでも別個体を区別してマスクを推定するタスク |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | 姿勢推定 | 人や動物などの関節位置や骨格構造を画像や動画から推定しポーズを表現するタスク |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | セマンティックセグメンテーション | 画像の各画素にクラスラベルを割り当て同じクラスの画素をまとめて領域として理解するタスク |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | 物体検出 | 画像の中にある物体の位置とクラスを矩形のバウンディングボックスとして同時に推定するタスク |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | 物体識別 | 入力画像に写っている物体がどのクラスに属するかを判断する分類タスク |
| 技術分野 | ディープラーニングの応用例 | 26 | 画像認識 | パノプティックセグメンテーション | セマンティックセグメンテーションとインスタンスセグメンテーションを統合し全画素にクラスとインスタンスIDの両方を割り当てるタスク |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | BERT | 双方向Transformerエンコーダを用いて文中の単語を前後文脈から予測する事前学習により高性能な文脈表現を得るモデル |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | BoW (Bag-of-Words) | 文章を単語の出現回数だけで表し単語の順序情報を無視して特徴ベクトルにする表現方法 |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | CBOW | 周囲の単語から中心単語を予測するタスクを通じて単語埋め込みを学習するword2vecの手法 |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | CEC | LSTM内部にあるセルと呼ばれる構造で誤差や情報を内部にとどめ勾配消失を防ぐ役割を持つ部分 |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | ChatGPT | 大規模言語モデルを用いた対話型AIで指示に応じて文章生成要約翻訳などさまざまな自然言語タスクを行うサービス |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | ELMo | 前方向と後方向のRNNを用いて文脈に応じて変化する単語表現を生成する言語モデル |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | fastText | 単語を文字nグラムの集合として扱い未知語にも対応しやすい単語埋め込みと高速テキスト分類を行うモデルとライブラリ |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | GLUE | 多様な自然言語理解タスクでモデルの性能を評価するために用意されたベンチマークデータセット群 |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | GPT-n | Transformerデコーダ構造に基づく自己回帰型言語モデルの系列で大規模事前学習により汎用的な文章生成能力を持つモデル群 |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | n-gram | 連続したn個の単語や文字を一単位として扱い確率的言語モデルなどで文脈を近似的に表現する手法 |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | PaLM | Googleが開発した大規模Transformerベースの言語モデルで多言語多タスクに対応するLLM |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | Seq2Seq | 入力系列をエンコーダでベクトル表現に変換しデコーダで別の系列を生成するエンコーダデコーダ型モデルの枠組み |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | TF-IDF | 各文章内での単語頻度と全文書中での出現頻度の逆数を組み合わせ単語の重要度を数値化する特徴表現 |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | word2vec | CBOWやスキップグラムの学習を通じて単語を低次元の連続値ベクトルに埋め込むニューラルネットワークモデル |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | 感情分析 | テキストからポジティブネガティブなどの感情極性や感情カテゴリを自動的に判定するタスク |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | 機械翻訳 | ある自然言語で書かれた文を別の自然言語に自動的に翻訳するタスクやそのシステム |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | 形態素解析 | 日本語などを単語や語幹助詞などの形態素と呼ばれる最小単位に分割し品詞や活用情報を付与する処理 |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | 構文解析 | 文中の単語同士の依存関係や句構造を解析し文法構造を木などで表現する処理 |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | 質問応答 | 文章や知識ベースをもとに自然文の質問に対して適切な答えを返すシステムやタスク |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | 情報検索 | 大量の文書やデータからユーザのクエリに関連する文書や情報を探し出す技術やタスク |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | スキップグラム | 中心単語から周囲の単語を予測するタスクで単語埋め込みを学習するword2vecの手法 |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | 単語埋め込み | 単語を低次元の連続値ベクトルとして表現し意味的な類似性をベクトル空間上の距離で扱えるようにする技術 |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | 分散表現 | 意味情報を複数の次元に分散して持つ連続値ベクトルで単語文書などを表現する方法 |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | 文書要約 | 長い文書の重要な内容を保ったまま短いテキストに自動的にまとめるタスク |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | ワンホットベクトル | 語彙数次元のうち対応する単語の位置だけ一他はゼロとする二値ベクトルによる単語表現 |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | 大規模言語モデル(LLM) | 大量のテキストで事前学習された多数のパラメータを持つTransformer系言語モデルで汎用的なテキスト生成と理解を行う |
| 技術分野 | ディープラーニングの応用例 | 27 | 自然言語処理 | 統計的機械翻訳 | 対訳コーパスから統計モデルを学習し最も確からしい訳文を探索して生成する機械翻訳手法 |
| 技術分野 | ディープラーニングの応用例 | 28 | 音声処理 | A-D 変換 | マイクなどから得た連続的なアナログ音声信号を一定間隔でサンプリングしデジタル信号に変換する処理 |
| 技術分野 | ディープラーニングの応用例 | 28 | 音声処理 | WaveNet | 音声波形を直接確率的に生成する畳み込みニューラルネットワークモデルで高品質な音声合成を実現する手法 |
| 技術分野 | ディープラーニングの応用例 | 28 | 音声処理 | 音韻 | ある言語で意味の違いに関わる音の体系やパターンを扱う概念で音素同士の対立や配置のルールを含む抽象的な音の単位体系 |
| 技術分野 | ディープラーニングの応用例 | 28 | 音声処理 | 音声合成 | テキストなどから人間が話しているような音声信号を人工的に生成する技術 |
| 技術分野 | ディープラーニングの応用例 | 28 | 音声処理 | 音声認識 | 人間の話した音声を解析しテキスト列などの離散的な記号列に変換する技術 |
| 技術分野 | ディープラーニングの応用例 | 28 | 音声処理 | 音素 | 意味の違いを区別する最小の音声単位で例えばサ行とタ行の違いなどを表す抽象的な音のカテゴリ |
| 技術分野 | ディープラーニングの応用例 | 28 | 音声処理 | 隠れマルコフモデル | 観測されない内部状態がマルコフ過程に従い各状態から確率的に観測が生じると仮定した確率モデルで音声認識などに用いられる |
| 技術分野 | ディープラーニングの応用例 | 28 | 音声処理 | 感情分析 | 声の高さ強さ話速などの特徴から話し手の喜び怒りなどの感情状態を推定するタスク |
| 技術分野 | ディープラーニングの応用例 | 28 | 音声処理 | 高速フーリエ変換 (FFT) | 時間領域の信号を効率よく周波数成分に分解するアルゴリズムで音声のスペクトル解析に用いられる |
| 技術分野 | ディープラーニングの応用例 | 28 | 音声処理 | スペクトル包絡 | 音声スペクトルの細かい山谷を平均化し大まかな形だけを取り出したものでもとの声道特性を表す曲線 |
| 技術分野 | ディープラーニングの応用例 | 28 | 音声処理 | パルス符号変調器 (PCM) | アナログ信号を一定間隔でサンプリングし量子化した値をデジタル符号として表現する方式 |
| 技術分野 | ディープラーニングの応用例 | 28 | 音声処理 | フォルマント | 母音などの音色を決める声道の共鳴によるスペクトルの強いピーク |
| 技術分野 | ディープラーニングの応用例 | 28 | 音声処理 | フォルマント周波数 | フォルマントが現れる周波数の位置を指し母音の違いなどを区別する重要な音響パラメータ |
| 技術分野 | ディープラーニングの応用例 | 28 | 音声処理 | メル周波数ケプストラム係数 (MFCC) | 人間の聴覚特性に近いメル尺度上でフィルタバンクを適用し対数と離散コサイン変換を行って得る音声特徴量 |
| 技術分野 | ディープラーニングの応用例 | 28 | 音声処理 | メル尺度 | 周波数を人間の高さの感じ方に近い非線形な尺度に変換したもので低周波数ほど細かく高周波数ほど粗く表す尺度 |
| 技術分野 | ディープラーニングの応用例 | 28 | 音声処理 | 話者識別 | 音声信号から誰が話しているかを判定したり登録された話者の中から本人を特定したりするタスク |
| 技術分野 | ディープラーニングの応用例 | 28 | 音声処理 | CTC | 入力長と出力長が異なる系列に対してアライメントを明示せずに学習できる損失関数で音声認識などで文字列を直接学習する際に用いられる |
| 技術分野 | ディープラーニングの応用例 | 29 | 深層強化学習 | A3C | 複数のエージェントを並列に走らせ勾配を非同期に共有しActor Criticを学習する深層強化学習手法 |
| 技術分野 | ディープラーニングの応用例 | 29 | 深層強化学習 | Agent57 | アタリ五十七ゲーム全てで人間超えを達成することを目標に多様な探索戦略や分布型価値関数を組み合わせたエージェント |
| 技術分野 | ディープラーニングの応用例 | 29 | 深層強化学習 | APE-X | 優先度付き経験再生と分散学習を組み合わせ多くのワーカーからサンプルを集めて効率的に学習するDQN系の手法 |
| 技術分野 | ディープラーニングの応用例 | 29 | 深層強化学習 | DQN | 画像入力などを畳み込みネットワークで処理しQ値を近似することで高次元状態の行動価値学習を実現した深層強化学習手法 |
| 技術分野 | ディープラーニングの応用例 | 29 | 深層強化学習 | OpenAI Five | 五体のエージェント協調によってDota2をプレイし人間トップチームと対戦したOpenAIの深層強化学習システム |
| 技術分野 | ディープラーニングの応用例 | 29 | 深層強化学習 | PPO | 方策勾配の更新幅をクリッピングして学習を安定させる比較的実装が簡単でよく使われる方策最適化手法 |
| 技術分野 | ディープラーニングの応用例 | 29 | 深層強化学習 | Rainbow | DQNにダブルDQNやデュエリングネットワーク分布型価値学習など複数の改良要素を統合した手法 |
| 技術分野 | ディープラーニングの応用例 | 29 | 深層強化学習 | RLHF | 人間のフィードバックから得た好みや評価を報酬モデルとして学習しその報酬を用いて方策を改善する強化学習の枠組み |
| 技術分野 | ディープラーニングの応用例 | 29 | 深層強化学習 | sim2real | シミュレータ上で学習した方策を実世界のロボットなどに移す技術やその際の分布ギャップを埋める工夫の総称 |
| 技術分野 | ディープラーニングの応用例 | 29 | 深層強化学習 | アルファスター(AlphaStar) | リアルタイムストラテジーゲームStarCraft IIで人間プロプレイヤーと互角以上に戦った深層強化学習エージェント |
| 技術分野 | ディープラーニングの応用例 | 29 | 深層強化学習 | オフライン強化学習 | 環境からのオンラインな相互作用を行わず事前に集めた固定データのみを使って方策を学習する設定 |
| 技術分野 | ディープラーニングの応用例 | 29 | 深層強化学習 | 残差強化学習 | 既存の制御器や方策に対してニューラルネットで残差となる補正成分だけを学習し性能を向上させる手法 |
| 技術分野 | ディープラーニングの応用例 | 29 | 深層強化学習 | 状態表現学習 | 観測から方策学習に適した低次元かつ意味のある内部状態をニューラルネットなどで獲得すること |
| 技術分野 | ディープラーニングの応用例 | 29 | 深層強化学習 | ダブル DQN | 最大値推定のバイアスを減らすため行動選択と価値評価を別ネットワークで行うDQNの改良版 |
| 技術分野 | ディープラーニングの応用例 | 29 | 深層強化学習 | デュエリングネットワーク | 状態の価値と各行動のアドバンテージを別々の枝で推定し行動価値を合成するネットワーク構造 |
| 技術分野 | ディープラーニングの応用例 | 29 | 深層強化学習 | ドメインランダマイゼーション | シミュレーション環境の物理パラメータや見た目をランダムに変化させて学習し実環境のばらつきへの頑健性を高める方法 |
| 技術分野 | ディープラーニングの応用例 | 29 | 深層強化学習 | ノイジーネットワーク | 重みに確率的なノイズを注入し行動選択時の探索をパラメトリックに実現するニューラルネットワーク |
| 技術分野 | ディープラーニングの応用例 | 29 | 深層強化学習 | 報酬成形 | 学習を進めやすくするため元の報酬に補助的な報酬やペナルティを加えて設計し直すこと |
| 技術分野 | ディープラーニングの応用例 | 29 | 深層強化学習 | マルチエージェント強化学習(MARL) | 複数のエージェントが同じ環境で相互作用し協調や競合を通して方策を学習する強化学習の枠組み |
| 技術分野 | ディープラーニングの応用例 | 29 | 深層強化学習 | 連続値制御 | ロボットの関節角度や速度など連続的な行動を選択する制御問題を強化学習で扱うこと |
| 技術分野 | ディープラーニングの応用例 | 30 | データ生成 | CycleGAN | ペアデータなしで二つのドメイン間の画像変換を学習するために循環一貫性損失を用いる画像変換用GAN |
| 技術分野 | ディープラーニングの応用例 | 30 | データ生成 | DCGAN | 畳み込み層と逆畳み込み層を用いて画像生成に特化した深層畳み込み型GAN |
| 技術分野 | ディープラーニングの応用例 | 30 | データ生成 | Diffusion Model | ノイズ付加とノイズ除去の過程を学習しランダムノイズから高品質な画像などを生成する確率的生成モデル |
| 技術分野 | ディープラーニングの応用例 | 30 | データ生成 | NeRF | 三次元空間の各点の色と密度をニューラルネットで表現し任意視点からの画像を生成するニューラルラジアンスフィールド手法 |
| 技術分野 | ディープラーニングの応用例 | 30 | データ生成 | Pix2Pix | 対応する入力画像と出力画像のペアを用いて条件付きGANで画像から画像への変換を学習する手法 |
| 技術分野 | ディープラーニングの応用例 | 30 | データ生成 | 音声生成 | テキストや潜在ベクトルから人間の声のような音声波形を出力する生成タスクおよびその技術 |
| 技術分野 | ディープラーニングの応用例 | 30 | データ生成 | 画像生成 | ランダムベクトルやテキスト条件などから意味のある画像を新たに作り出す生成タスク |
| 技術分野 | ディープラーニングの応用例 | 30 | データ生成 | 敵対的生成ネットワーク (GAN) | 生成器と識別器という二つのニューラルネットを競わせながら学習させデータ分布を模倣する生成モデル |
| 技術分野 | ディープラーニングの応用例 | 30 | データ生成 | 文章生成 | 言語モデルなどを用いて与えられた条件や文脈に続く自然なテキストを出力するタスク |
| 技術分野 | ディープラーニングの応用例 | 31 | 転移学習・ファインチューニング | Few-shot | ごく少数のラベル付きサンプルだけから新しいタスクやクラスに適応して学習する設定 |
| 技術分野 | ディープラーニングの応用例 | 31 | 転移学習・ファインチューニング | One-shot | 各クラス一つなどほとんど一例だけのサンプルから新しいクラスを識別できるようにする極端な少数データ学習 |
| 技術分野 | ディープラーニングの応用例 | 31 | 転移学習・ファインチューニング | 自己教師あり学習 | ラベルを使わず入力データから自動生成した擬似タスクを用いて表現を学習する手法 |
| 技術分野 | ディープラーニングの応用例 | 31 | 転移学習・ファインチューニング | 事前学習 | 大規模データで汎用的な特徴抽出器としてモデルをあらかじめ学習させその後別タスクに転用すること |
| 技術分野 | ディープラーニングの応用例 | 31 | 転移学習・ファインチューニング | 事前学習済みモデル | 大規模データで事前学習され重みが公開されておりその重みを初期値として別タスクに再利用できるモデル |
| 技術分野 | ディープラーニングの応用例 | 31 | 転移学習・ファインチューニング | 破壊的忘却 | 新しいタスクを学習した際に以前習得したタスクの性能が大きく失われてしまう現象 |
| 技術分野 | ディープラーニングの応用例 | 31 | 転移学習・ファインチューニング | 半教師あり学習 | 少量のラベル付きデータと大量のラベルなしデータを併用して学習する枠組み |
| 技術分野 | ディープラーニングの応用例 | 32 | マルチモーダル | CLIP | 大量の画像とテキストのペアから対比学習により共通埋め込み空間を学習しゼロショット画像認識などを可能にしたモデル |
| 技術分野 | ディープラーニングの応用例 | 32 | マルチモーダル | DALL-E | テキスト条件から対応する画像を生成できるように訓練されたTransformerベースのテキストツーイメージモデル |
| 技術分野 | ディープラーニングの応用例 | 32 | マルチモーダル | Flamingo | 画像とテキストの両方を扱い少数の例示だけでさまざまな視覚言語タスクに適応できるように設計されたビジョンランゲージモデル |
| 技術分野 | ディープラーニングの応用例 | 32 | マルチモーダル | Image Captioning | 入力画像に対してその内容を説明する自然文のキャプションを自動生成するタスク |
| 技術分野 | ディープラーニングの応用例 | 32 | マルチモーダル | Text-To-Image | テキストによる指示や説明文を入力としてそれに合致する画像を生成するタスク |
| 技術分野 | ディープラーニングの応用例 | 32 | マルチモーダル | Visual Question Answering | 画像と質問文を入力として画像内容に基づく答えを出力するタスク |
| 技術分野 | ディープラーニングの応用例 | 32 | マルチモーダル | Unified-IO | 画像テキストなど多様なモダリティとタスクを共通フォーマットで扱い一つのモデルで視覚と言語の幅広いタスクをこなせるようにした統一モデル |
| 技術分野 | ディープラーニングの応用例 | 32 | マルチモーダル | Zero-shot | 対象タスクやクラスに対して追加学習を行わず事前学習だけでそのまま汎用的に推論を行う設定 |
| 技術分野 | ディープラーニングの応用例 | 32 | マルチモーダル | 基盤モデル | 大規模データで事前学習され多様な下流タスクに微調整やプロンプト指定で転用される汎用的な大規模モデル |
| 技術分野 | ディープラーニングの応用例 | 32 | マルチモーダル | マルチタスク学習 | 一つのモデルで複数種類のタスクを同時に学習しパラメータや表現を共有することで性能や汎用性を高める学習設定 |
| 技術分野 | ディープラーニングの応用例 | 33 | モデルの解釈性 | CAM | クラスごとの重みを用いて畳み込み特徴マップを線形結合しどの領域がそのクラス判定に効いたかを可視化する手法 |
| 技術分野 | ディープラーニングの応用例 | 33 | モデルの解釈性 | Grad-CAM | 出力クラスの勾配情報を使って特徴マップの重要度を求めヒートマップとして入力画像上に重ねる可視化手法 |
| 技術分野 | ディープラーニングの応用例 | 33 | モデルの解釈性 | LIME | 入力周辺でデータを少しずつ変化させ予測結果の変化から局所的に単純な代理モデルを当てはめ特徴の重要度を説明する手法 |
| 技術分野 | ディープラーニングの応用例 | 33 | モデルの解釈性 | Permutation Importance | ある特徴量の値をランダムに入れ替えたとき性能がどれだけ悪化するかでその特徴の重要度を測る方法 |
| 技術分野 | ディープラーニングの応用例 | 33 | モデルの解釈性 | SHAP | 協力ゲーム理論のシャープレイ値に基づき各特徴が予測にどれだけ貢献したかを公平に割り当てる説明手法 |
| 技術分野 | ディープラーニングの応用例 | 33 | モデルの解釈性 | 説明可能 AI (XAI) | モデルの予測根拠や内部の判断過程を人間が理解しやすい形で説明できるようにする技術や研究分野の総称 |
| 技術分野 | ディープラーニングの応用例 | 34 | モデルの軽量化 | エッジ AI | クラウドではなくスマホ組み込み機器センサ端末などエッジ側のデバイス上でAIモデルを動かすこと |
| 技術分野 | ディープラーニングの応用例 | 34 | モデルの軽量化 | 蒸留 | 性能の高い教師モデルの出力や中間表現を利用してより小さい生徒モデルを学習させ知識を引き継がせる手法 |
| 技術分野 | ディープラーニングの応用例 | 34 | モデルの軽量化 | 宝くじ仮説 | 大きなニューラルネットの中には初期値のままでも単独で高性能を発揮しうる疎なサブネットワークが潜んでいるという仮説 |
| 技術分野 | ディープラーニングの応用例 | 34 | モデルの軽量化 | プルーニング | 予測にあまり寄与していない重みやニューロンチャネルなどを削除してモデルを小さくする手法 |
| 技術分野 | ディープラーニングの応用例 | 34 | モデルの軽量化 | モデル圧縮 | プルーニング量子化蒸留などを用いてモデルのサイズや計算量を削減しつつ性能低下を抑える技術全般 |
| 技術分野 | ディープラーニングの応用例 | 34 | モデルの軽量化 | 量子化 | 重みや活性値を三十二ビット浮動小数点などから八ビット整数などの低ビット表現に変換し計算やメモリを削減する手法 |
| 技術分野 | AI の社会実装に向けて | 35 | AI プロジェクトの進め方 | AI のビジネス活用 | 売上向上やコスト削減業務効率化新サービス創出などビジネス上の価値を生む目的でAIを企画導入運用すること |
| 技術分野 | AI の社会実装に向けて | 35 | AI プロジェクトの進め方 | AI プロジェクトの進め方 | 課題整理からデータ準備モデル構築評価本番導入運用改善までの一連の流れや体制の作り方 |
| 技術分野 | AI の社会実装に向けて | 35 | AI プロジェクトの進め方 | BPR | ビジネスプロセスリエンジニアリングの略で業務プロセスを抜本的に見直し品質コストスピードを大きく改善しようとする取り組み |
| 技術分野 | AI の社会実装に向けて | 35 | AI プロジェクトの進め方 | CRISP-DM | データマイニングプロジェクトの標準プロセスモデルでビジネス理解データ理解データ準備モデリング評価展開の六工程から構成される枠組み |
| 技術分野 | AI の社会実装に向けて | 35 | AI プロジェクトの進め方 | CRISP-ML | CRISP-DMを機械学習システム向けに拡張し運用や品質管理なども含めてMLライフサイクル全体を整理したプロセスモデル |
| 技術分野 | AI の社会実装に向けて | 35 | AI プロジェクトの進め方 | Docker | アプリケーションとその実行環境をコンテナとして打ち包んでどこでも同じ環境で動かせるようにする仮想化基盤ソフトウェア |
| 技術分野 | AI の社会実装に向けて | 35 | AI プロジェクトの進め方 | Jupyter Notebook | ブラウザ上でコード実行結果図表テキストを一つのノートとして扱える対話型開発環境でPythonによるデータ分析や実験に広く使われる |
| 技術分野 | AI の社会実装に向けて | 35 | AI プロジェクトの進め方 | MLOps | 機械学習モデルの開発からデプロイ監視改善までを継続的に回すための仕組みや文化でDevOpsをMLに適用した考え方 |
| 技術分野 | AI の社会実装に向けて | 35 | AI プロジェクトの進め方 | PoC | 概念実証の略で小さなスケールで試作や検証を行い技術的実現性やビジネス効果を確かめる段階の取り組み |
| 技術分野 | AI の社会実装に向けて | 35 | AI プロジェクトの進め方 | Python | シンプルな文法と豊富なライブラリを持つ汎用プログラミング言語で機械学習やデータ分析で事実上の標準となっている言語 |
| 技術分野 | AI の社会実装に向けて | 35 | AI プロジェクトの進め方 | Web API | HTTPなどのウェブプロトコルを通じて機能やデータを外部プログラムから呼び出せるようにしたインターフェース |
| 技術分野 | AI の社会実装に向けて | 35 | AI プロジェクトの進め方 | アジャイル | 短いサイクルで設計開発テストを繰り返しフィードバックを受けて柔軟に仕様変更しながら進める開発手法 |
| 技術分野 | AI の社会実装に向けて | 35 | AI プロジェクトの進め方 | ウォーターフォール | 要件定義設計実装テストなどを上流から下流へ段階的に一方向に進めていく従来型の開発手法 |
| 技術分野 | AI の社会実装に向けて | 35 | AI プロジェクトの進め方 | オープン・イノベーション | 自社だけでなく他社大学顧客など外部の知識や技術を積極的に取り込みながらイノベーションを起こそうとする考え方 |
| 技術分野 | AI の社会実装に向けて | 35 | AI プロジェクトの進め方 | クラウド | インターネット越しにサーバストレージAIサービスなどの計算資源を必要に応じて利用できる形態 |
| 技術分野 | AI の社会実装に向けて | 35 | AI プロジェクトの進め方 | 産学連携 | 企業と大学や研究機関が共同研究人材交流技術移転などを通じて新しい知見や技術を社会実装につなげる取り組み |
| 技術分野 | AI の社会実装に向けて | 35 | AI プロジェクトの進め方 | ステークホルダーのニーズ | 顧客利用者現場担当経営層などプロジェクトに関わる利害関係者が本当に望んでいる価値や要望期待 |
| 技術分野 | AI の社会実装に向けて | 35 | AI プロジェクトの進め方 | データサイエンティスト | ビジネス課題を理解し統計や機械学習を用いてデータから価値ある示唆やモデルを作り出す専門人材 |
| 技術分野 | AI の社会実装に向けて | 35 | AI プロジェクトの進め方 | 他企業や他業種との連携 | 自社とは異なる企業や業界と協力しデータ技術ノウハウを持ち寄ることで新しいAIサービスやビジネスを共創すること |
| 技術分野 | AI の社会実装に向けて | 36 | データの収集・加工・分析・学習 | アノテーション | 画像や音声テキストなどのデータにラベルや境界ボックスタグ属性情報などを付与して学習や分析で使える形にする作業 |
| 技術分野 | AI の社会実装に向けて | 36 | データの収集・加工・分析・学習 | オープンデータセット | 研究教育商用利用などのために一般に公開され一定の条件の下で自由に利用できるデータセット |
| 技術分野 | AI の社会実装に向けて | 36 | データの収集・加工・分析・学習 | コーパス | 言語研究や自然言語処理のために集められた大量の文章や発話データの集合 |
| 技術分野 | AI の社会実装に向けて | 36 | データの収集・加工・分析・学習 | データリーケージ | 本来分離すべき学習データと評価データの間で情報が漏れ将来の情報を見ながらモデルを学習してしまうことで性能評価が実力以上に良く見えてしまう問題 |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | 移動平均 | 一定期間のデータの平均を順番に計算して並べることで短期的な変動をならし傾向を見やすくする方法 |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | 確率分布 | 確率変数がそれぞれの値を取る可能性がどのように割り当てられているかを表すルールや関数 |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | 確率変数 | サイコロの目など偶然によって値が決まる量を数学的に表す変数 |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | 確率密度 | 連続値を取る確率変数について各値の周辺の起こりやすさを表す関数で区間に渡って積分するとその区間の確率になるもの |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | 疑似相関 | 実際には因果関係がないのに第三の要因や集計の方法などの影響で相関があるように見えてしまう関係 |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | 期待値 | 確率変数を無限に繰り返し観測したときの平均に相当する理論上の平均値 |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | 帰無仮説 | 差はない効果はないなど統計的検定で最初に仮定しておき棄却できるかを調べる基準となる仮説 |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | 共分散 | 二つの変数が平均からのずれにおいて一緒に大きくなったり小さくなったりする程度を表す指標 |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | コサイン類似度 | ベクトル同士のなす角度のコサイン値で表す類似度で一に近いほど向きが似ていることを示す指標 |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | 最小二乗法 | 観測値とモデルによる予測値との差の二乗和が最も小さくなるようにパラメータを求めるあてはめ方法 |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | 最頻値 | データの中で最も多く出現する値で度数が最大となる値 |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | 最尤法 | 観測データが得られる確率が最も大きくなるように分布のパラメータを推定する方法 |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | 条件付き確率 | ある事象が起こったという条件のもとで別の事象が起こる確率を表すもの |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | 正規分布 | 平均の付近の値が出やすく離れるほど出にくくなる連続分布で釣鐘型の形を持つ代表的な確率分布 |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | 相関係数 | 二つの変数の線形的な関係の強さと向きをマイナス一からプラス一の間の値で表した指標 |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | 相互情報量 | ある変数の値を知ることで別の変数に関する不確実性がどれだけ減るかを情報量で表した指標 |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | 対立仮説 | 帰無仮説が正しくない場合に成り立つと考える仮説で差がある効果があるなどを表す仮説 |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | 中央値 | データを小さい順に並べたときちょうど真ん中に位置する値で半分がそれ以下半分がそれ以上となる境界の値 |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | 度数分布 | データをいくつかの階級や値ごとに分け各区間にいくつのデータが含まれるかを整理した一覧 |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | 二項分布 | 独立な試行を同じ条件で一定回数繰り返したとき成功回数がいくつになるかの確率分布 |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | 外れ値 | 他の多くのデータと比べて極端に離れた位置にある観測値で測定ミスや特異な事象を反映している可能性があるもの |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | 標準偏差 | データが平均の周りにどの程度散らばっているかを表す指標で分散の平方根にあたる値 |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | 平均 | データの総和を個数で割った値で代表値として最もよく用いられる中心的な値 |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | 分散 | 各データの平均からのずれを二乗して平均した値でデータのばらつき具合を表す指標 |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | 偏相関係数 | 他の変数の影響を取り除いた上で二つの変数の間にどの程度の線形関係が残るかを表す相関の指標 |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | ベルヌーイ分布 | 一回の試行で成功か失敗か二通りの結果だけを取る確率変数の分布で成功確率を一つのパラメータで表すもの |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | ポアソン分布 | 一定時間や一定領域内でまれな事象が何回起こるかを表す離散分布で平均回数の一つのパラメータで決まるもの |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | マハラノビス距離 | データの分散や変数間の相関を考慮して正規化した距離で外れ値検出などに用いられる距離尺度 |
| 技術分野 | AI に必要な数理・統計知識 | 37 | AI に必要な数理・統計知識 | ユークリッド距離 | 二点間の直線距離をピタゴラスの定理で計算したもので最も基本的な距離の定義 |
| 法律・倫理分野 | AIに関する法律と契約 | 1 | 個人情報保護法 | GDPR | EU域内の個人データ保護を包括的に定めた一般データ保護規則で日本の個人情報保護法にも影響を与えている規制 |
| 法律・倫理分野 | AIに関する法律と契約 | 1 | 個人情報保護法 | 仮名加工情報 | 他の情報と照合しない限り特定の個人を識別できないように加工した個人に関する情報で元データを保持する事業者では個人情報と扱われる情報 |
| 法律・倫理分野 | AIに関する法律と契約 | 1 | 個人情報保護法 | 個人識別符号 | 運転免許証番号顔認証用データなど個人を一意に識別できる符号で単体でも個人情報となるもの |
| 法律・倫理分野 | AIに関する法律と契約 | 1 | 個人情報保護法 | 個人データ | 電子計算機で検索できるなど検索性を持つ形で体系的に構成された個人情報の集合 |
| 法律・倫理分野 | AIに関する法律と契約 | 1 | 個人情報保護法 | 個人情報 | 生存する個人に関する情報で氏名番号画像などにより特定の個人を識別できるものや個人識別符号を含む情報 |
| 法律・倫理分野 | AIに関する法律と契約 | 1 | 個人情報保護法 | 第三者提供 | 本人以外の第三者に個人データを提供することをいい原則として本人同意や一定の手続きが求められる行為 |
| 法律・倫理分野 | AIに関する法律と契約 | 1 | 個人情報保護法 | 匿名加工情報 | 特定の個人を識別できず元の個人情報にも復元できないように加工された個人に関する情報で個人情報には当たらない情報 |
| 法律・倫理分野 | AIに関する法律と契約 | 1 | 個人情報保護法 | 保有個人データ | 本人からの開示訂正利用停止請求などの対象となる事業者が自ら開示等の権限を持って継続的に管理している個人データ |
| 法律・倫理分野 | AIに関する法律と契約 | 1 | 個人情報保護法 | 要配慮個人情報 | 人種信条病歴犯罪歴等不当な差別偏見が生じうるセンシティブな情報で原則として本人同意なく取得できない個人情報 |
| 法律・倫理分野 | AIに関する法律と契約 | 1 | 個人情報保護法 | 利用目的 | 個人情報をどの範囲どの目的で利用するかについて事業者が特定し本人に通知又は公表しなければならない目的 |
| 法律・倫理分野 | AIに関する法律と契約 | 1 | 個人情報保護法 | 委託 | 個人データの取り扱いを他の事業者に業務として任せることで第三者提供とは区別されるが適切な監督義務が課される形態 |
| 法律・倫理分野 | AIに関する法律と契約 | 2 | 著作権法 | 創作性 | 作者の個性や工夫が表れていることを指し著作物と認められるために必要な最低限のオリジナリティ |
| 法律・倫理分野 | AIに関する法律と契約 | 2 | 著作権法 | 著作物 | 思想又は感情を創作的に表現したもので文学音楽美術プログラムなど形態を問わず著作権法で保護される対象 |
| 法律・倫理分野 | AIに関する法律と契約 | 2 | 著作権法 | AI 生成物 | 画像や文章などAIが生成したコンテンツで人の創作性がどこまで認められるかが著作権上の論点となる成果物 |
| 法律・倫理分野 | AIに関する法律と契約 | 2 | 著作権法 | 利用規約 | サービスやコンテンツの利用条件権利義務範囲などを定めた契約文書で著作物やデータの利用許諾条件も含まれる |
| 法律・倫理分野 | AIに関する法律と契約 | 2 | 著作権法 | 著作権侵害 | 著作権者の許諾なく複製公衆送信翻案などの権利を侵す行為 |
| 法律・倫理分野 | AIに関する法律と契約 | 2 | 著作権法 | 著作権 | 著作物を一定期間独占的に利用できる権利の総称で複製権公衆送信権などの財産権や著作者人格権からなる |
| 法律・倫理分野 | AIに関する法律と契約 | 3 | 特許法 | 発明 | 自然法則を利用した技術的思想の創作で高度のものを指し特許保護の対象となる技術 |
| 法律・倫理分野 | AIに関する法律と契約 | 3 | 特許法 | 新規性 | 出願時点でその発明が公知公用刊行物記載など既に知られていないことという特許要件 |
| 法律・倫理分野 | AIに関する法律と契約 | 3 | 特許法 | 進歩性 | 当業者が既存技術から容易に考え付かない程度に発明が進んでいることという特許要件 |
| 法律・倫理分野 | AIに関する法律と契約 | 3 | 特許法 | 知的財産権 | 特許著作権商標権など知的創作物や営業上の標識に対する排他的権利の総称 |
| 法律・倫理分野 | AIに関する法律と契約 | 3 | 特許法 | 発明者 | 発明の具体的な着想と完成に創作的に寄与した自然人で特許出願において記載される者 |
| 法律・倫理分野 | AIに関する法律と契約 | 3 | 特許法 | 職務発明 | 従業員等が職務上行った発明で一定条件の下で会社に特許を受ける権利が帰属する発明 |
| 法律・倫理分野 | AIに関する法律と契約 | 3 | 特許法 | 特許権 | 特許発明を一定期間独占的に実施できる権利で他人の実施を排除しライセンスなどで収益化できる権利 |
| 法律・倫理分野 | AIに関する法律と契約 | 4 | 不正競争防止法 | 営業秘密 | 秘密管理性有用性非公知性を満たす技術上営業上の情報で不正取得や開示が禁止される情報 |
| 法律・倫理分野 | AIに関する法律と契約 | 4 | 不正競争防止法 | 限定提供データ | 事業者が特定の者に対して電磁的に蓄積管理し対価を得て提供する技術上営業上の情報で不正取得等が不正競争とされるデータ |
| 法律・倫理分野 | AIに関する法律と契約 | 5 | 独占禁止法 | 競争制限 | 価格協定カルテル排他的取引など市場の競争を不当に弱める行為全般 |
| 法律・倫理分野 | AIに関する法律と契約 | 5 | 独占禁止法 | 公正競争阻害性 | 取引慣行や契約が市場における公正な競争を阻害する程度の強さがあるかどうかという観点 |
| 法律・倫理分野 | AIに関する法律と契約 | 6 | AI開発委託契約 | AI・データの利用に関する契約ガイドライン | 経産省が公表したAIやデータ利用契約の論点と条項例を整理したガイドラインで契約締結時の参考資料 |
| 法律・倫理分野 | AIに関する法律と契約 | 6 | AI開発委託契約 | NDA | Non-Disclosure Agreementの略で開発過程などで知り得た秘密情報を第三者に漏らさないことを約束する秘密保持契約 |
| 法律・倫理分野 | AIに関する法律と契約 | 6 | AI開発委託契約 | 請負契約 | 成果物の完成を約束し完成した成果物に対して報酬を支払う形態の契約 |
| 法律・倫理分野 | AIに関する法律と契約 | 6 | AI開発委託契約 | 準委任契約 | 一定の作業や役務の遂行そのものを目的とし結果の完成までは保証しない業務委託契約形態 |
| 法律・倫理分野 | AIに関する法律と契約 | 6 | AI開発委託契約 | 精度保証 | AIモデルの性能指標などについて契約上どの程度まで達成を保証するかを定めること |
| 法律・倫理分野 | AIに関する法律と契約 | 6 | AI開発委託契約 | PoC | AI導入前に小規模実験で技術的実現性や効果を確認する概念実証フェーズ |
| 法律・倫理分野 | AIに関する法律と契約 | 6 | AI開発委託契約 | 保守契約 | 導入後のシステムについて障害対応アップデート改善など継続的な維持運用を行うことを定めた契約 |
| 法律・倫理分野 | AIに関する法律と契約 | 7 | AIサービス提供契約 | SaaS | Software as a Serviceの略でソフトウェア機能をクラウド経由のサービスとして提供する形態 |
| 法律・倫理分野 | AIに関する法律と契約 | 7 | AIサービス提供契約 | データ利用権 | サービス提供者や利用者がどの範囲でデータを利用二次利用できるかを契約上定めた権利 |
| 法律・倫理分野 | AIに関する法律と契約 | 7 | AIサービス提供契約 | 利用規約 | AIサービスの利用条件料金責任範囲データの取り扱いなどを規定する契約文書 |
| 法律・倫理分野 | AIに関する法律と契約 | 7 | AIサービス提供契約 | 精度保証 | クラウド上のAI機能について一定の性能水準やサービスレベルを契約上どこまで約束するかという取り決め |
| 法律・倫理分野 | AI倫理・AIガバナンス | 8 | 国内外のガイドライン | AI 倫理 | AIの開発利用において人権尊重公平性透明性などを守るべき価値や原則に関する考え方 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 8 | 国内外のガイドライン | AI ガバナンス | AIシステムが倫理的安全かつ法令に沿って運用されるよう方針体制プロセスを整備し管理する枠組み |
| 法律・倫理分野 | AI倫理・AIガバナンス | 8 | 国内外のガイドライン | 価値原則 | 人間の尊厳プライバシー公平性などAIに関する諸ガイドラインで示される基本的な価値と原則 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 8 | 国内外のガイドライン | ハードロー | 罰則や強制力を持つ法律規制など法的拘束力のあるルール |
| 法律・倫理分野 | AI倫理・AIガバナンス | 8 | 国内外のガイドライン | ソフトロー | 法的拘束力は弱いがガイドライン指針業界ルールなど事実上守ることが期待される規範 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 8 | 国内外のガイドライン | リスクベースアプローチ | AIシステムのリスクの大きさに応じて規制や管理の厳しさを変える考え方 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 9 | プライバシー | カメラ画像利活用ガイドブック | カメラ映像の利活用におけるプライバシー配慮や法令対応のポイントを整理した政府等の解説資料 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 9 | プライバシー | プライバシー・バイ・デザイン | システムやサービスを企画設計する初期段階からプライバシー保護を組み込む設計思想 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 10 | 公平性 | アルゴリズムバイアス | 学習データや設計の偏りにより特定の属性の人々に不利有利な結果を生むアルゴリズム上の偏り |
| 法律・倫理分野 | AI倫理・AIガバナンス | 10 | 公平性 | 公平性の定義 | AIを用いた意思決定が特定のグループを不当に差別優遇しないことを数理的又は倫理的にどう表すかという考え方 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 10 | 公平性 | サンプリングバイアス | 収集されたデータが母集団を偏って代表してしまい結果が歪む偏り |
| 法律・倫理分野 | AI倫理・AIガバナンス | 10 | 公平性 | センシティブ属性 | 人種性別宗教障害の有無など差別につながりうるため慎重な扱いが必要な属性情報 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 10 | 公平性 | 代理変数 | センシティブ属性そのものではないが強く相関し同様の差別効果を生みうる別の変数 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 10 | 公平性 | データの偏り | 収集方法やラベリングなどの影響である方向に片寄ったデータとなっている状態 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 11 | 安全性とセキュリティ | Adversarial Attack (Adversarial Examples) | わずかなノイズを加えただけでモデルに誤分類させるような入力を作り出しシステムを欺く攻撃 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 11 | 安全性とセキュリティ | セキュリティ・バイ・デザイン | システム設計の初期段階からセキュリティ対策を組み込む設計思想 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 11 | 安全性とセキュリティ | データ汚染 | 学習データに悪意あるデータや誤ったラベルを混入させモデルの性能や振る舞いを意図的に劣化させる行為 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 11 | 安全性とセキュリティ | データ窃取 | システムが保有する学習データや入力情報を不正アクセスなどにより盗み出すこと |
| 法律・倫理分野 | AI倫理・AIガバナンス | 11 | 安全性とセキュリティ | モデル窃取 | ブラックボックスへの問い合わせ結果などから内部のモデル構造やパラメータを推定し模倣モデルを作る攻撃 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 11 | 安全性とセキュリティ | モデル汚染 | 学習や更新の過程で悪意あるデータやパラメータ改変を行いモデルの出力を意図的に歪めること |
| 法律・倫理分野 | AI倫理・AIガバナンス | 12 | 悪用 | ディープフェイク | ディープラーニングを用いて他人の顔や声を本物のように合成し偽動画や偽音声を作る技術 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 12 | 悪用 | フェイクニュース | 虚偽や誤解を招く情報をニュース形式で流し世論操作や混乱を招く行為やコンテンツ |
| 法律・倫理分野 | AI倫理・AIガバナンス | 13 | 透明性 | データの来歴 | データがどこからどのように収集され加工されてきたかという履歴情報 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 13 | 透明性 | 説明可能性 | モデルの判断理由や根拠を人間が理解できる形で説明できる性質 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 13 | 透明性 | ブラックボックス | 内部構造や判断過程が複雑でどのように結論に至ったかが外部から理解しづらいシステム |
| 法律・倫理分野 | AI倫理・AIガバナンス | 14 | 民主主義 | エコーチェンバー | 似た意見だけが集まる空間で同じ主張が反響し続け極端な考えが強化される情報環境 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 14 | 民主主義 | フィルターバブル | レコメンドや検索パーソナライズにより自分の好みや信念に合う情報だけが届き他の視点に触れにくくなる状態 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 14 | 民主主義 | フェイクニュース | オンライン上で拡散され世論や選挙など民主主義プロセスに影響を与えうる虚偽情報 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 15 | 環境保護 | 気候変動 | 温室効果ガス増加などにより地球の平均気温が長期的に変化し極端気象や生態系への影響が生じる現象 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 15 | 環境保護 | モデル学習の電力消費 | 大規模モデルの学習や推論に伴う電力使用量でCO2排出など環境負荷につながる要素 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 16 | 労働政策 | AI との協働 | 人間がAIを道具やパートナーとして活用し役割分担しながら業務を行う働き方 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 16 | 労働政策 | スキルの喪失 | AIや自動化の進展により人間が従来行っていた作業をしなくなることで技能や経験が失われる懸念 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 16 | 労働政策 | 労働力不足 | 少子高齢化などで働き手が不足する状況でAIやロボット導入の背景ともなる社会課題 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 17 | その他の重要な価値 | インクルージョン | 年齢性別障害の有無などに関わらず多様な人々が排除されず参加できるよう配慮する考え方 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 17 | その他の重要な価値 | 軍事利用 | AI技術が兵器指揮統制サイバー攻撃など軍事目的に使われることに伴う倫理的問題 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 17 | その他の重要な価値 | 死者への敬意 | 亡くなった人の顔声データなどをAIで扱う際に遺族感情や社会通念に配慮し尊厳を損なわないようにすること |
| 法律・倫理分野 | AI倫理・AIガバナンス | 17 | その他の重要な価値 | 人間の自律性 | AIによる自動意思決定が人間の主体的な選択や決定権を過度に奪わないようにするという価値 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 18 | AIガバナンス | AI ポリシー | 組織としてAIの利用範囲ルール禁止事項責任分担等を定めた内部方針やガイドライン |
| 法律・倫理分野 | AI倫理・AIガバナンス | 18 | AIガバナンス | ダイバーシティ | 性別国籍専門性など多様な背景を持つ人材をチームに含め偏りの少ないAI開発運用を目指す考え方 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 18 | AIガバナンス | AI に対する監査 | AIシステムが法令倫理基準内部ルールに沿って設計運用されているか第三者的立場で検証評価するプロセス |
| 法律・倫理分野 | AI倫理・AIガバナンス | 18 | AIガバナンス | 倫理アセスメント | AIプロジェクトの企画設計段階で人権プライバシー公平性などへの影響を評価しリスク対策を検討する手続き |
| 法律・倫理分野 | AI倫理・AIガバナンス | 18 | AIガバナンス | 人間の関与 | 重要な判断やリスクの高い場面では人が最終判断や監視を行うようAIシステムに組み込むこと |
| 法律・倫理分野 | AI倫理・AIガバナンス | 18 | AIガバナンス | モニタリング | AIモデルの性能やバイアス不具合などを運用中も継続的に監視し必要に応じて対応する活動 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 18 | AIガバナンス | 再現性 | 同じデータと手順を用いれば他者が同等の結果を再度得られる性質で検証可能性の前提となる性質 |
| 法律・倫理分野 | AI倫理・AIガバナンス | 18 | AIガバナンス | トレーサビリティ | データ処理やモデル更新の履歴を追跡可能にして後から原因分析や説明ができるようにする性質 |
コメント