③ ディープラーニングの概要 ／ 16. 最適化手法
大域最適解とは
大域最適解とは、損失関数全体の範囲で最も小さい値を取る真の最適解です。局所最適解と対比して理解することが重要です。
この用語はG検定シラバスの「16. 最適化手法」に含まれます。 章全体の用語は用語解説③（全52語）にまとまっています。
一言でいうと
損失関数の中で、本当に一番低い場所のことです。
見つけられるとは限らない
大域最適解は「これが答え」といえる解ですが、実際に到達できる保証はありません。
勾配降下法は周囲の傾きだけを頼りに進むため、今いる場所が全体で最小かどうかを判断する手段を持たないのです。深層学習の損失関数は非常に複雑で、谷や鞍点が無数に存在します。
実務での考え方
そのため実務では、大域最適解にこだわるより「十分に良い解」が得られれば十分と考えます。
そもそも訓練データの損失を極限まで下げることが目的ではなく、汎化性能が高いことが目的です。大域最適解が過学習になっていることさえあります。
凸関数なら到達できる
損失関数が凸関数（お椀のような形）であれば、局所最適解は大域最適解と一致し、勾配降下法で確実に到達できます。
線形回帰などがこれにあたります。一方ニューラルネットワークの損失関数は凸ではない（非凸）ため、保証が得られないのです。
混同しやすい用語との違い
| 用語 | ポイント |
|---|---|
| 大域最適解 | 全体で最も小さい真の最適解 |
| 局所最適解 | 近傍では最小。全体ではより良い解がある |
🎯 G検定での押さえどころ
- 損失関数全体で最小となる真の最適解
- 局所最適解との対比で押さえる
- 実際に到達できる保証はない
⚠️ よくある誤りの選択肢
- 「大域最適解は必ず勾配降下法で到達できる」→ 誤り。保証はありません
- 「大域最適解に到達すれば必ず汎化性能も最高になる」→ 誤り。過学習の可能性があります
📘 もっと深く学ぶ
- 数式レベルまで踏み込んだ解説 → 医療AIナビ「基本的なアルゴリズム」（E資格向け）
関連する用語
ご利用にあたって 本ページの内容は、JDLAが公開しているG検定シラバス2024や公式テキストなど、一般に公開されている情報をもとに独自に整理・解説したものです。実際の試験の出題内容を示すものではなく、また合格を保証するものでもありません。制度・法令・試験要項は変更されることがあるため、最新の情報は必ずJDLA公式サイトでご確認ください。