④ 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とは
積層オートエンコーダとは、複数のオートエンコーダを層状に重ね、段階的に特徴を抽出する深層モデルです。各層を事前学習し、その後に全体を微調整することで高精度な表現学習が可能になります。
この用語はG検定シラバスの「24. オートエンコーダ」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
オートエンコーダを積み重ね、1層ずつ順番に学習させてから全体を仕上げる手法です。
2段階の学習
- ① 層ごとの事前学習：1層ずつオートエンコーダとして学習し、その出力を次の層の入力にする（貪欲法）
- ② ファインチューニング：全層をつないだあと、目的のタスクで全体を微調整する
歴史的な意義
当時は勾配消失問題により、深いネットワークをいきなり学習させることが困難でした。
1層ずつなら浅いので学習できます。そうして得た重みを初期値にすれば、深いネットワークでも学習が進む——これが積層オートエンコーダの狙いでした。
その後ReLUやバッチ正規化、スキップ結合が登場し、層ごとの事前学習は必須ではなくなりました。歴史的な位置づけとして押さえる用語です。
貪欲法という考え方
層ごとに順番に学習していく方法は貪欲法（greedy）と呼ばれます。全体最適ではなく、目の前の1層ずつを最適化する進め方です。
全体を一度に学習できないときの現実的な妥協策として有効でした。深層学習の歴史では、こうした工夫の積み重ねが壁を越える助けになってきました。
🎯 G検定での押さえどころ
- 層ごとに事前学習してから全体を微調整する
- 勾配消失で深い学習が困難だった時代の解決策
- 現在は必須ではない（ReLU・正規化・スキップ結合の登場）
⚠️ よくある誤りの選択肢
- 「積層オートエンコーダは全層を最初から同時に学習する」→ 誤り。層ごとに事前学習します
- 「積層オートエンコーダは現在も深層学習の標準的な手法である」→ 誤り。歴史的な手法です
📘 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「オートエンコーダ」（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。