⑤ ディープラーニングの応用例

AlexNet

2012年のILSVRCで圧勝し、深層学習ブームの火付け役となったCNNモデル。ReLU活性化関数やDropoutを採用し、学習の高速化と過学習抑制を実現した。

DeepLab

空洞畳み込み（Atrous Convolution）を用いて、解像度を維持しつつ精度の高いセマンティックセグメンテーションを行うモデルである。

DenseNet

各層の出力を後続すべての層の入力に接続する密集接続を採用。勾配消失を防ぎつつ、パラメータ効率を向上させた深層CNNモデルである。

EfficientNet

ネットワークの深さ・幅・解像度をバランスよくスケーリングすることで、計算効率と精度を両立させたモデルである。

Fast R-CNN

R-CNNを改良し、画像全体に一度だけCNNを適用することで速度を向上。RoIプーリングにより精度も確保した物体検出モデルである。

Faster R-CNN

Region Proposal Network（RPN）を導入し、候補領域の抽出もネットワーク内で自動化。高速かつ高精度な物体検出を実現した。

FCN (Fully Convolutional Network)

全結合層を排除し畳み込み層のみで構成。任意サイズの画像入力が可能で、ピクセル単位の分類を実現するセグメンテーションモデルである。

FPN

Feature Pyramid Network。異なる解像度の特徴マップを統合するピラミッド構造により、小さな物体の検出精度を向上させる。

GoogLeNet

Inceptionモジュールを導入し、横に広い構造で22層を実現。パラメータを抑えつつ高い表現力を持つCNNモデルであり、2014年のILSVRCで優勝した。

Mask R-CNN

Faster R-CNNを拡張し、物体検出に加えて各物体のマスク（形状）を推定するインスタンスセグメンテーションモデルである。

MnasNet

強化学習を用いたNeural Architecture Search（NAS）により、モバイル端末上での推論速度を最適化した自動設計モデルである。

MobileNet

Depthwise Separable Convolutionを採用し、計算量とモデルサイズを大幅に削減。モバイル端末向けの軽量CNNモデルである。

NAS (Neural Architecture Search)

ニューラルネットワークの構造設計を自動化する技術。強化学習などのアルゴリズムで最適なアーキテクチャを探索する。

Open Pose

画像から複数人物の関節位置をリアルタイムで検出し、骨格（ポーズ）を推定するライブラリである。

PSPNet

Pyramid Pooling Moduleを導入し、広域な文脈情報を考慮することで高精度なセマンティックセグメンテーションを実現するモデルである。

ResNet

残差学習（スキップ接続）を導入し、100層を超える深いネットワークの学習を可能にしたモデルである。勾配消失を抑え、非常に深いネットワーク構築が可能。

SegNet

デコーダ側でプーリング時の位置情報を再利用することで、物体境界を鮮明に再現するセグメンテーションモデルである。

SENet

Squeeze-and-Excitation（SE）ネットワーク。チャンネルごとの重要度を学習し、重要な特徴を強調するチャネル注意機構を持つCNNモデルである。2017年のILSVRCで優勝し、高精度画像認識モデルとして注目された。

SSD

Single Shot MultiBox Detector。1回の画像走査で、異なるサイズの候補領域を用いて高速に物体検出を行う手法である。

UNet

U字型構造を持ち、少量の学習データでも高精度なセグメンテーションを実現するモデル。医療画像解析で広く利用される。

VGG

3×3の小さなフィルタを積み重ね、多層化（16層や19層）した単純構造のCNN。汎用性の高さと学習安定性を示した。

Vision Transformer

画像をパッチに分割して入力し、自然言語処理のTransformer構造を直接応用。長距離依存関係を学習可能な最新の画像認識モデルである。

Wide ResNet

深さを増やす代わりに、各層のチャンネル数を増やして（太くして）学習効率と性能を向上させたCNNモデルである。

YOLO

You Only Look Once。画像を格子状に分割し、1回の推論で境界ボックスとクラスを同時に予測する超高速物体検出手法である。

一般物体認識

画像から特定の物体のカテゴリ・位置・形状などを判定する技術全般の総称。特定物体認識が1種類または少数の物体を識別するのに対し、一般物体認識は多数のカテゴリを対象に包括的に認識する点が異なる。

インスタンスセグメンテーション

個々の個体（例：人Aと人B）を区別し、ピクセル単位で切り出す物体識別とセグメンテーションを統合したタスクである。

姿勢推定

画像や動画から人間の関節位置や特徴点を検出し、身体の構えやポーズを推定する技術である。

セマンティックセグメンテーション

画像内の全ピクセルに「道路」「車」などのラベルを割り当てるが、個体の区別は行わない手法である。

物体検出

画像内のどこに何があるかを境界ボックスとラベルで特定するタスクである。代表的手法にはR-CNN系（Fast R-CNN, Faster R-CNN, Mask R-CNN）やYOLO、SSDなどがある。

物体識別

画像全体に写っている物体のカテゴリ判定を1つまたは複数行うタスクである。

パノプティックセグメンテーション

セマンティックとインスタンスを統合し、個体の区別と背景（空、森など）の分類を同時に行う統合型セグメンテーション手法である。

BERT

Transformerのエンコーダのみを用いた事前学習モデルで、文脈を双方向から同時に学習する点が最大の特徴である。事前学習ではMasked Language Model（MLM）とNext Sentence Prediction（NSP）を用い、文理解能力を高めている。分類、質問応答、文書検索など多くのタスクで高精度を達成し、NLP分野の性能を大きく押し上げた。

BoW (Bag-of-Words)

文章を単語の集合（袋）として扱い、出現順序を無視して単語頻度のみでベクトル化する特徴表現手法である。実装が容易で計算効率が高い一方、語順や文脈情報を失うため、意味理解には限界がある。TF-IDFなどと組み合わせて用いられることが多い。

CBOW

word2vecの代表的モデルの1つで、周囲の単語から中心単語を予測することで単語分散表現を学習する。学習が高速で安定しており、大規模コーパスから効率よく単語ベクトルを獲得できる。Skip-gramと対比して出題されやすい。

CEC

Constant Error Carouselは、LSTM内部に存在する記憶セル構造で、誤差を一定のまま伝播させる役割を持つ。これにより長期依存関係を学習可能となり、従来のRNNで問題となっていた勾配消失を大幅に緩和する。

ChatGPT

GPT系列モデルを基盤とし、RLHF（人間のフィードバックによる強化学習）によって対話向けに最適化された大規模言語モデルサービスである。安全性や有用性、自然な応答品質を高めるために、教師あり微調整と強化学習が段階的に行われている。

ELMo

双方向LSTMを用いた事前学習型単語表現モデルで、文脈に応じて単語ベクトルが動的に変化する。従来のword2vecやGloVeが文脈非依存であったのに対し、ELMoは文脈依存表現を実現し、下流タスクの精度向上に大きく貢献した。

fastText

単語を文字n-gramに分割して学習することで、未知語や綴り揺れに強い単語表現を獲得する手法である。学習と推論が非常に高速で、大規模テキスト分類や感情分析などで広く利用されている。

GLUE

自然言語理解モデルの性能を多角的に評価するための標準ベンチマークである。文分類、含意認識、文類似度評価など複数タスクから構成され、モデルの総合的言語理解能力を測定する目的で用いられる。

GPT-n

Transformerのデコーダのみを用いた自己回帰型の大規模言語モデル群である。次単語予測による事前学習により、文章生成、要約、翻訳、対話など幅広いタスクに対応可能で、大規模化による性能向上（スケーリング則）が特徴である。

n-gram

隣接する\(n\) 個の単語または文字を1単位として扱う言語モデルである。\(n=1\) はユニグラム、\(n=2\) はバイグラムと呼ばれ、確率的言語モデルや特徴抽出の基本手法として広く利用される。

PaLM

Googleが開発した大規模言語モデル（LLM）で、5400億パラメータを持つ超巨大Transformerモデル。Pathwaysと呼ばれる分散学習基盤を用いたスケーラブルな学習アプローチにより、単一モデルで多様なタスクを同時に学習できる点が特徴である。自己教師あり学習による大規模事前学習を行い、文脈理解、論理推論、算術推論、プログラミングコード生成などにおいて非常に高い性能を示した。少量の例を与えるだけでタスクを解決するfew-shot learning能力にも優れており、近年の大規模言語モデル研究の方向性を決定づけた代表的モデルの一つである。

Seq2Seq

Encoderが入力系列を固定長ベクトルに変換し、 Decoderがそれを用いて出力系列を生成する Encoder-Decoder構造のモデル。 機械翻訳・要約・音声認識などで利用される。

従来のSeq2Seqは固定長ベクトルへの圧縮による情報損失の問題を抱えており、 長文になるほど性能が低下しやすい。

TF-IDF

単語の文書内頻度TFと、文書集合全体での希少性IDFを掛け合わせ、文書における単語の重要度を算出する指標である。検索エンジンや文書分類の前処理として広く利用される。

word2vec

単語を低次元の分散表現へ変換する手法で、CBOWとSkip-gramの2方式がある。意味的・文法的類似性をベクトル演算で表現でき、「王様−男性＋女性＝女王」の例が有名である。分散表現の基礎として頻出。

感情分析

テキストの内容から、ポジティブ・ネガティブ・ニュートラルなどの感情極性や、喜び・怒り・悲しみなどの感情カテゴリを推定する自然言語処理タスク。レビュー分析、SNS解析、顧客満足度調査などに広く利用される。従来はBoWやTF-IDFとSVMなどの機械学習が主流であったが、現在ではBERTなどの事前学習済み言語モデルを微調整（ファインチューニング）して高精度に分類する手法が主流である。

機械翻訳

ある言語の文章を、コンピュータを用いて別の言語へと自動的に変換する技術。初期はルールベース翻訳や統計的機械翻訳（SMT）が用いられていたが、現在はSeq2SeqモデルやTransformerに基づくニューラル機械翻訳（NMT）が主流となっている。大規模並列コーパスを用いた学習により、人間に近い自然な翻訳が可能となっている。

形態素解析

文を意味を持つ最小単位である形態素に分割し、品詞や活用形を付与する自然言語処理の基本処理。日本語では単語境界が明示されていないため、形態素解析が特に重要である。MeCabやSudachiなどの解析器が代表例であり、後続の構文解析・情報検索・感情分析など多くのタスクの前処理として用いられる。

構文解析

文中の単語間の主述関係や修飾関係を解析し、木構造（構文木）などで表現する処理。係り受け解析や依存構造解析が代表的であり、意味理解、質問応答、機械翻訳などの精度向上に寄与する。近年ではBERTなどの分散表現を用いたニューラルネットワークによる構文解析が主流となっている。

質問応答

与えられた質問文に対し、文書データベースや知識ベースから適切な答えを抽出または生成する自然言語処理タスク。BERTなどを用いたQAや、GPT系列などの大規模言語モデルによる生成型QAが実用化され、チャットボットや対話AIの中核技術となっている。

情報検索

大量の文書集合から、ユーザーの検索クエリに最も関連性の高い文書を抽出・順位付けする技術。TF-IDFやBM25などの古典的スコアリング手法に加え、BERTなどを用いた意味ベース検索（Dense Retrieval）が発展している。検索エンジンや社内文書検索システムの基盤技術である。

スキップグラム

word2vecの一種で、中心の単語からその周囲にある単語を予測するように学習するモデル。CBOWとは逆方向の学習を行う。低頻度語の学習に強く、意味的に類似した単語が近いベクトル空間に配置される特徴を持つ。単語の意味的関係を捉える分散表現の代表的手法である。

単語埋め込み

単語をコンピュータが扱いやすい実数値ベクトルに変換する手法。word2vec、GloVe、fastTextなどが代表例である。意味的・文脈的な類似性を幾何学的距離として表現できるため、分類・翻訳・要約など多くの自然言語処理タスクの基盤技術として用いられる。

分散表現

単語や文を、数百次元程度の密な実数ベクトルとして表現する手法。ワンホット表現と異なり、意味的類似性を距離として表現可能である。word2vecやBERTの埋め込み表現が代表例であり、深層学習による自然言語処理の性能向上を支える重要概念である。

文書要約

長文から重要な情報を抽出し、簡潔な文章としてまとめるタスク。重要文を選択する抽出型要約と、新しい文を生成する生成型要約に大別される。近年はTransformer系モデルを用いた生成型要約が主流であり、ニュース要約や議事録作成に応用されている。

ワンホットベクトル

語彙数と同じ次元を持ち、対象単語の位置のみ1、それ以外を0とする表現。単純で解釈しやすいが、高次元・疎・意味情報を持たないという欠点があり、現在は分散表現への置き換えが一般的である。

大規模言語モデル (LLM)

数十億〜数千億規模のパラメータを持つ巨大なニューラルネットワークを用いて学習された言語モデルの総称。GPT、PaLM、LLaMAなどが代表例。事前学習＋ファインチューニングにより、翻訳・要約・質問応答・対話など幅広いタスクに高い汎用性を発揮する。

統計的機械翻訳

統計的機械翻訳とは、大量の対訳コーパスから確率モデルを用いて翻訳を行う手法である。ルールを人手で作成しない点が特徴で、ニューラル機械翻訳以前の主流技術であった。

A-D変換

アナログの音声信号を、サンプリング・量子化・符号化の3段階で デジタル信号へ変換する処理。サンプリングではナイキストの定理により、 元信号の2倍以上の周波数で標本化する必要がある。音声処理や信号処理の 基礎中の基礎技術であり、G検定頻出。

WaveNet

DeepMindが提案した深層生成モデルで、 音声の生波形を1サンプルずつ予測して生成する。 拡張畳み込み（Dilated Convolution）により長時間依存性を学習し、 極めて自然な音声合成を実現した。

音韻

言語として意味の違いを生む頭の中の音の区別ルール。 実際に発声される物理的な音である音素と異なり、 「同じ音として認識されるグループ」を表す。 例えば「か」と「が」は別の音韻だが、「か」の発音の微妙な違いは同一音韻として扱われる。

音声合成

テキストから人間の音声を生成するText-to-Speech（TTS）技術。 WaveNetやTacotronなどの深層学習モデルにより、 極めて自然な音声生成が可能となった。

音声認識

音声を解析してテキストへ変換するSpeech-to-Text（STT）技術。 従来はHMM、現在はDNN・RNN・Transformer を用いたEnd-to-Endモデルが主流である。

音素

実際に発声される物理的な最小音声単位（a、k など）。 抽象概念である音韻と対比され、 音声認識では基本的な分析単位となる。

隠れマルコフモデル（HMM）

古典的な音声認識モデルとして広く用いられてきた確率的時系列モデル。 音声を構成する音素の系列を時間方向にモデル化し、どの音素がどのタイミングで現れるかを確率的に予測する。 「隠れ」とは、観測される音声データ（音響特徴量）の背後にある、直接は見えない音素の状態遷移を推定する点を指す。 「意図や文脈」ではなく、音響的な最小単位の状態を確率的に扱うのがこのモデルの特徴である。

感情分析

音声から話者の感情状態（喜怒哀楽など）を推定する技術。 ピッチ、抑揚、スペクトル特徴量などを用いて分類する。

高速フーリエ変換 (FFT)

時間領域信号を周波数領域へ高速変換する信号処理の基本アルゴリズム。 音声解析・特徴抽出・スペクトル分析に不可欠である。

スペクトル包絡

スペクトル全体の形状を表し、 声質・母音識別に強く関係する特徴量。 MFCCなどで近似的に抽出される。

パルス符号変調 (PCM)

アナログ信号をデジタル信号へ変換する基本的なA-D変換方式。 主に以下の3手順から構成される。

• 標本化（サンプリング）：一定時間間隔で信号値を取得する
• 量子化： 測定した音の大きさを、最も近い代表値に丸める処理。 例えば0〜100の連続値を、0・25・50・75・100の5段階に 当てはめるように、有限個のレベルに区切る。
• 符号化：量子化値をビット列（0と1）に変換する

フォルマント

音声スペクトル中の共振ピーク。 第1・第2フォルマントは母音識別に特に重要。

フォルマント周波数

各フォルマントの出現周波数で、 話者固有の音声特徴を反映する。

メル周波数ケプストラム係数 (MFCC)

音声認識で最も代表的な特徴量。 FFT → メルフィルタ → 対数 → DCT の流れで算出され、 聴覚特性を反映する。

メル尺度

人間の聴覚特性を反映した非線形周波数尺度。 MFCC算出の基盤となる。

話者識別

音声から話者の個人識別を行うタスク。 MFCCや深層学習モデルが利用される。

CTC (Connectionist Temporal Classification)

音声認識や手書き文字認識などにおいて、 入力系列と出力系列の長さが異なる問題を扱うための 損失関数および学習アルゴリズム。 フレーム単位の入力音声と、文字列出力のアライメント（対応付け）を明示的に与えず、 End-to-End学習を可能にした点が最大の特徴である。 空白ラベル（blank）を導入し、同一ラベルの連続出力を統合することで、 時間伸縮のある系列データを柔軟に扱える。

A3C

Asynchronous Advantage Actor-Critic の略。 複数のエージェント（学習主体）を並列・非同期に動かし、 それぞれが独立に環境を探索しながら得た経験を共有して学習する深層強化学習手法。
通常の強化学習では、1つのエージェントが順番に試行錯誤するため学習が遅くなりがちであるが、 A3Cでは複数エージェントが同時に探索を行うため、 多様な経験を高速に収集でき、学習の安定性と収束速度が大きく向上する。
Actor（行動選択）と Critic（評価）を併用する構造であり、 Advantage（平均との差）を用いることで学習の分散を抑える工夫もなされている。 G検定では「非同期・並列学習」と「Actor-Critic構造」が頻出ポイント。

Agent57

DeepMind が開発した深層強化学習エージェントで、 Atari 57種類すべてのゲームにおいて人間のプレイヤーを超える性能を初めて達成した。
最大の特徴は、探索（新しい行動を試す）と活用（得意な行動を使う）のバランス制御を 極めて高度に行える点である。 単純な ε-greedy ではなく、複数の探索戦略を同時に走らせ、それらを統合することで、 広範な探索と安定した学習を両立している。
G検定では「Atari全57種制覇」「探索戦略の高度化」という実績ベースの知識として問われやすい。

APE-X

Distributed Prioritized Experience Replay を中核とした分散型深層強化学習フレームワーク。
多数のエージェントが並列に環境と相互作用し、 それぞれが収集した経験データを中央サーバに蓄積する。 その際、学習に有用なデータを優先的に再生する「優先度付き経験再生」を用いることで、 学習効率を大幅に向上させている。
A3Cが「勾配の非同期更新」に重点を置くのに対し、 APE-Xは大量データの高速収集＋再利用に重点を置いた設計となっている。

DQN

Deep Q-Network。 Q学習と深層ニューラルネットワークを組み合わせ、 画像入力から直接行動を決定できるようにした画期的手法。
従来のQ学習では状態数が爆発し現実問題に適用困難であったが、 DQNではCNNなどを用いて高次元入力（ゲーム画面など）を直接処理できる。
学習安定化のために、 経験再生（Replay Buffer）と ターゲットネットワークという2大工夫が導入されている。 これにより学習の発散を防ぎ、安定した収束が可能となった。
G検定では「DQN＝深層学習＋Q学習＋安定化テクニック」の3点セットが重要。

OpenAI Five

複雑な戦略ゲーム「Dota 2」において、 世界トップクラスのプロチームを破ったマルチエージェント強化学習システム。
5体のエージェントが協力・分業・連携しながら戦う必要があり、 極めて高度な戦術理解とリアルタイム判断が求められる。
大規模分散学習、自己対戦（Self-play）、 カリキュラム学習などを組み合わせ、 人間の戦略を超えるチームプレイを実現した。

PPO

Proximal Policy Optimization。 方策勾配法において、更新幅を制限（クリッピング）することで、 学習の不安定化を防ぎつつ高い性能を実現したアルゴリズム。
従来の方策勾配法は、更新が大きすぎると学習が破綻する問題があったが、 PPOでは「急激に方策を変えない」制約を加えることで、 安定した学習と実装容易性を両立した。
現在、ロボット制御・ゲームAI・RLHF など、 実運用レベルで最も広く用いられている手法の一つ。

Rainbow

DQNの性能向上のために提案された複数の改良技術を、 すべて統合した最強クラスのDQN拡張モデル。

Rainbow は、以下の 7つの要素 を組み合わせて構成される。

• ① Double Q-learning（理論基盤）：行動選択と価値評価を分離し、Q値の過大評価を抑制する理論。
• ② Double DQN：Double Q-learning を深層学習に適用し、学習の安定性を向上。
• ③ Prioritized Experience Replay：重要な経験を優先的に学習し、収束を高速化。
• ④ Dueling Network：Q値を「状態価値 V」と「行動優位性 A」に分解し、学習効率を改善。
• ⑤ Multi-step Learning（n-step 学習）：複数ステップ先の報酬まで考慮し、学習を加速。
• ⑥ CategoricalDQN：報酬の分布を学習することで、より正確な予測を行う。
• ⑦ Noisy Network：ネットワークにノイズを加え、自律的な探索行動を促進。

これらを統合することで、Atari環境において 当時のすべてのDQN系手法を凌駕する圧倒的性能 を達成した。

G検定では「DQN改良技術の集大成」 「7つの技術の統合モデル」として 出題されることが多く、構成要素の暗記は必須である。

RLHF

Reinforcement Learning from Human Feedback（人間のフィードバックを用いた強化学習）。
AIの出力に対して人間が「良い・悪い」などの評価を与え、 それを報酬モデルとして学習し、 強化学習によってAIの振る舞いを人間の好みに近づける技術。
ChatGPTなどの大規模言語モデル（LLM）の安全性・有用性向上に不可欠であり、 PPOと組み合わせて最適化されるケースが多い。
G検定では「LLMの調整」「人間の好みへの最適化」「PPOとの組み合わせ」が頻出。

sim2real

シミュレーション環境（sim）で学習したモデルを、 現実環境（real）へ転移・適用する技術。
ロボット制御などの分野では、 実環境での試行錯誤がコスト・危険・時間の面で困難なため、 まず仮想空間で大量学習させ、その成果を現実に持ち込む。
この際、シミュレーションと現実の差（Reality Gap）が問題となるため、 ドメインランダマイゼーションなどと併用される。

アルファスター

DeepMindが開発した「スタークラフト2」用AI。
非常に広大な状態空間・行動空間を持つリアルタイム戦略ゲームにおいて、 プロプレイヤーを破る成果を達成。
模倣学習＋自己対戦型強化学習＋マルチエージェント学習 を組み合わせ、戦略構築能力と反応速度の両立を実現。
G検定では「OpenAI Five（Dota2）」との対比で出題されやすい。

オフライン強化学習

環境との新たな試行錯誤を行わず、 既に収集された固定データのみから方策を学習する手法。
医療・金融・製造など、 試行錯誤が危険・高コスト・非倫理的な分野で重要。
従来の強化学習は「探索」が前提であるが、 オフラインRLでは分布外行動の暴走（外挿誤差）を防ぐ工夫が必要となる。

残差強化学習

従来制御（PID制御など）の出力に対し、 その誤差（残差）だけを強化学習で補正するハイブリッド制御手法。
完全に強化学習へ任せるのではなく、 安全で安定な従来制御をベースとするため、 ロボット制御など実システムへの適用が容易。

状態表現学習

画像などの高次元入力から、 強化学習に本質的な情報だけを抽出し、 低次元で意味のある状態表現を学習する技術。
学習の高速化・安定化・汎化性能向上に大きく貢献。

ダブル DQN

DQNが持つ「Q値の過大評価問題」を解決するため、 行動選択と価値評価を分離した手法。
過大評価が抑制されることで、 学習がより安定し、実環境への適用性能が向上。

デュエリングネットワーク

Q値を「状態価値V」と「行動優位性A」に分解して推定する構造。
これにより、 行動に依らず状態自体が良いか悪いかを正確に評価可能となり、 学習効率が向上。

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 学習時にランダム変化させることで、 現実環境のばらつきに強いモデルを作る技術。
sim2real問題の代表的解決策。

ノイジーネットワーク

ネットワーク重みに意図的にノイズを加えることで、 探索行動を自動生成させる仕組み。
ε-greedy のような手動探索制御を不要にし、 学習の自律性を高める。

報酬成形

ゴール到達時のみ報酬が得られる難課題に対し、 途中経過にも小さな報酬を与える設計手法。
学習初期の探索停滞（報酬スパース問題）を防ぐ。

マルチエージェント強化学習

複数のエージェントが同一環境で学習し、 協調・競争・分業を通して戦略を獲得する枠組み。
例：ロボット群制御、対戦ゲーム、交通制御。

連続値制御

行動が離散値ではなく、 連続値（角度・速度・力など）で表される制御問題。
ロボットアーム制御や自動運転で必須。 PPO、DDPG、SAC などの手法が用いられる。

CycleGAN

ペアデータ不要で、2つの異なるドメイン間の画像変換を学習できるGANの一種。Cycle Consistency制約により、変換前後の意味情報を保ちつつ、高品質なスタイル変換を実現する。

DCGAN

畳み込みニューラルネットワーク（CNN）をGANに導入し、画像生成の安定性と品質を大幅に向上させたモデル。バッチ正規化や層構成の最適化により、安定した学習と高精度な生成を可能にする。

Diffusion Model

データに徐々にノイズを加える拡散過程と、その逆過程を学習することで、ノイズからデータを生成する確率モデル。近年の高品質画像生成の主流手法であり、GANよりも安定した学習が可能である。

NeRF

少数の2次元画像から、空間中の光線情報をニューラルネットワークで表現し、連続的な3次元表現を構築する手法。自由視点からの高精細な画像生成が可能で、3D復元分野で注目されている。

Pix2Pix

入力と出力が対応したペアデータを用いて学習する条件付きGAN。線画から写真生成など、画像変換タスクで高い再現性を示す代表的手法である。

音声生成

テキストなどの情報から、自然な人間の声を音声波形として生成する技術。WaveNetやDiffusion Modelが代表例で、高品質な音声合成を実現する。

画像生成

学習データをもとに、実在しない新規画像をピクセル単位で生成するタスク。GANやDiffusion Modelが用いられ、創作支援やデータ拡張に活用される。

敵対的生成ネットワーク (GAN)

生成器と識別器を競わせる敵対的学習により、本物と区別できないデータ生成を実現するモデル。画像・音声・文章生成など、幅広い生成タスクの基盤技術となっている。

• 生成器（Generator）：ランダムノイズなどから本物らしいデータを生成する。
• 識別器（Discriminator）：入力データが本物か偽物かを判別する。

文章生成

与えられた文脈から、意味的に整合した自然な文章を生成する自然言語生成タスク。Transformerや大規模言語モデルにより、高精度な文章生成が可能となっている。

Few-shot

数個程度の極めて少ない学習サンプルのみを用いて、未知のタスクに適応する学習形態。事前学習済みモデルと組み合わせることで、高い汎化性能を実現する。

One-shot

たった1つの学習データのみから未知のタスクに適応する学習形態。特徴表現の汎化能力が重要で、顔認証などの分野で活用される。

自己教師あり学習

ラベルを用いず、擬似的な教師信号（Pretext Task）を自動生成して特徴を学習する手法。大量の未ラベルデータを活用でき、事前学習として有効である。

事前学習

本来のタスクに取り組む前に、大規模データを用いて汎用的な特徴表現を獲得させる学習プロセス。転移学習の性能向上に大きく寄与する。

事前学習済みモデル

大規模データセットで学習済みの汎用モデルであり、他タスクへ再利用可能である。転移学習やファインチューニングの基盤として用いられる。

破壊的忘却

新しいタスクの学習により、過去の知識が急激に失われる現象。継続学習（Continual Learning）における主要課題であり、正則化などで抑制を試みる。

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、学習効率と性能を高める手法。ラベル付けコスト削減に有効である。

CLIP

画像とテキストを共通のベクトル空間に埋め込み、両者の類似度学習を行うモデル。学習データに含まれないクラスに対しても推論可能なゼロショット学習を実現する。

DALL-E

入力されたテキストプロンプトの意味を理解し、それに対応する高品質な画像を生成するモデル。Transformerベース（DALL-E 1）およびDiffusion Modelベース（DALL-E 2以降）の構成を採用し、Text-to-Image分野を代表する生成AIである。

Flamingo

視覚情報とテキスト情報を統合的に処理し、Few-shotで対話・推論を可能にするマルチモーダルモデル。画像や動画に対する質問応答など、高度な理解能力を示す。

Image Captioning

画像を入力として、その内容を説明する自然言語文を自動生成するタスク。CNNとRNN / Transformerを組み合わせたモデル構成が一般的である。

Text-To-Image

テキストによる指示（プロンプト）を入力として、対応する画像を生成する技術の総称。Diffusion Modelが主流手法として用いられる。

Visual Question Answering (VQA)

画像と質問文を入力し、画像内容に基づいて正解を出力するマルチモーダル推論タスク。視覚理解と言語理解の統合が求められる。

Unified-IO

画像認識、文章生成、セグメンテーションなど、異なる形式の入出力タスクを単一モデルで統合的に処理するフレームワーク。マルチタスク学習と統一表現が特徴である。

Zero-shot

学習時に未経験のクラスやタスクに対して、追加学習なしで推論を行う能力。事前学習モデルと意味空間の一般化が鍵となる。

基盤モデル

膨大なデータで事前学習された大規模汎用モデルであり、微調整により多様なタスクへ適応可能。生成AIやマルチモーダルAIの中核技術である。

マルチタスク学習

関連する複数タスクを同時に学習させ、共通特徴を共有することで性能向上を図る手法。過学習の抑制や汎化性能向上にも寄与する。

CAM

CNNが画像中のどの領域に注目して分類したかを、特徴マップの重み付き和としてヒートマップ化する可視化手法。グローバルアベレージプーリング（GAP）層を使用したモデル（ResNetなど）でしか使えない。

Grad-CAM

勾配情報を用いて重要領域を可視化するCAMの拡張手法。全結合層を含むなど、様々なCNN構造に適用可能であり、実用性が高い。

LIME

入力周辺に擬似データを生成し、局所的に線形モデルで近似することで予測根拠を説明する手法。モデル非依存で幅広く適用できる。

Permutation Importance

特徴量をランダムにシャッフルした際の性能低下量から重要度を評価する手法。モデル非依存で直感的に解釈できる一方、特徴量間の相関が強い場合に重要度が過小評価されやすいという欠点がある。

SHAP

シャープレイ値に基づき、各特徴量の予測への寄与度を公平に分解する手法。局所・大域の両方の解釈が可能である。

説明可能 AI (XAI)

ブラックボックス化しやすいAIの判断根拠を、人間が理解可能な形で提示する技術の総称。医療・金融など高い信頼性が求められる分野で特に重要視される。

エッジ AI

データをクラウドに送らず、端末側（エッジ）で推論処理を行う仕組み。低遅延・通信量削減・プライバシー保護の観点から重要視される。

蒸留

高性能な教師モデルの出力を、軽量な生徒モデルに学習させることで、精度を保ちつつ軽量化する手法。知識蒸留（Knowledge Distillation）とも呼ばれる。

宝くじ仮説

巨大なニューラルネットワークの中には、初期化時点で既に高性能な小規模サブネットワーク（当たりくじ）が含まれているという仮説。学習後に不要な重みを除去（プルーニング）し、この部分構造のみを抽出・再学習することで、精度を維持したまま大幅なモデル軽量化が可能となる。効率的なモデル設計や省メモリ化に重要な理論的基盤である。

プルーニング

予測への寄与が小さい重みやニューロンを削除し、モデルサイズや計算量を削減する手法。推論の高速化とメモリ削減に有効である。

モデル圧縮

精度をできるだけ維持したまま、モデルサイズや計算量を削減する技術の総称。量子化・蒸留・プルーニングなどが代表例である。

量子化

パラメータを32bit浮動小数点数から8bit整数などへ変換し、メモリ削減と高速化を実現する手法。精度低下とのトレードオフが生じる。