④ ディープラーニングの要素技術 ／ 22. 回帰結合層
LSTMとは
LSTMとは、長期依存関係を学習可能にするため、入力・出力・忘却の3つのゲートとセル状態を持つRNNです。勾配消失問題の解決策として特に重要です。
この用語はG検定シラバスの「22. 回帰結合層」に含まれます。 章全体の用語は用語解説④（全60語）にまとまっています。
一言でいうと
3つのゲートと記憶用のセル状態を持ち、長い系列の依存関係を学べるRNNです。
3つのゲートの役割
- 入力ゲート：新しい情報をどれだけ取り込むかを決める
- 忘却ゲート：過去の記憶をどれだけ忘れるかを決める
- 出力ゲート：記憶をどれだけ出力に反映するかを決める
いずれもシグモイド関数で0〜1の値を出し、通過量を調整します（ゲート機構）。
セル状態が鍵
LSTMの中核はセル状態という記憶を運ぶ経路です。ここは掛け算による大きな変化を受けにくく、情報が長く保たれます。
通常のRNNでは同じ重みを繰り返し掛けるために勾配消失問題が起きていました。セル状態という「情報の高速道路」を用意することでこの問題を大きく緩和したのがLSTMです。ResNetのスキップ結合と発想が似ています。
覗き穴結合という派生
LSTMには、ゲートの計算にセル状態の値も参照させる覗き穴結合（peephole connection）という派生があります。
G検定では名称レベルで押さえておきたいところです。「LSTMには複数の変種がある」と知っておけば十分です。簡略化の方向に進んだのがGRUだと整理できます。
混同しやすい用語との違い
| 用語 | ポイント |
|---|---|
| LSTM | ゲート3つ＋セル状態。長期依存に強い |
| GRU | ゲート2つ。セル状態なし。軽量 |
| RNN（基本形） | ゲートなし。長期依存が苦手 |
🎯 G検定での押さえどころ
- ゲートは3つ（入力・忘却・出力）
- セル状態が長期記憶を担う
- 勾配消失問題の解決策として登場した
⚠️ よくある誤りの選択肢
- 「LSTMは2つのゲートを持つ」→ 誤り。3つです（それはGRU）
- 「LSTMは勾配消失問題を完全に解決した」→ 誤り。大きく緩和しますが完全ではありません
📘 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「ゲート機構」（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。