G検定 用語解説
シグモイド関数とは
出力を0から1の範囲に収める活性化関数。出力を確率のように解釈できるため2値分類の出力層などで使われる一方、入力の絶対値が大きい領域で勾配がほぼ0になり学習が進みにくい勾配消失問題を起こしやすい。
まず押さえる結論
シグモイド関数は、G検定の「大項目4 ディープラーニングの概要」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-07-03。
試験概要（公式）試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×勾配消失問題と勾配爆発の混同、およびReLUなど活性化関数による緩和の役割。
×局所最適解・大域最適解・鞍点の区別（鞍点はある方向に極小・別方向に極大）。
×誤差逆伝播法（バックプロパゲーション）と勾配降下法の役割の取り違え。
関連する確認問題
大項目4 ディープラーニングの概要 / 活性化関数と過学習対策
出力層で用いられ、各クラスに対する出力値を合計が1になるように変換することで、多クラス分類の確率分布として解釈できるようにする関数はどれか。
正解はソフトマックス関数。各クラスに対応する出力値を指数関数で変換したうえで正規化し、全出力の合計が1になるようにすることで、多クラス分類の確率分布として解釈できるようにする関数である。シグモイド関数は各入力を独立に0〜1の範囲へ変換するが、複数の出力ノードそれぞれの値を合計しても1になる保証はなく、多クラスの確率分布を作る関数ではない。tanh関数は各入力を独立に-1〜1の範囲へ変換する関数で、合計を1にする性質を持たない。ReLU関数は入力が0以下なら0、正ならそのまま出力する関数で、出力値には上限がなく確率として解釈できる範囲に収まらない。
大項目4 ディープラーニングの概要 / 活性化関数と過学習対策
入力値が0以下のとき0を、0より大きいときはその値をそのまま出力する単純な形で、勾配消失問題を起こしにくくした活性化関数はどれか。
正解はReLU関数。入力が0以下のとき0を、0より大きいときはその値をそのまま出力する区分線形の単純な形をしており、正の領域では微分値が一定であるため、層を重ねても勾配が縮小しにくく勾配消失問題を起こしにくい。シグモイド関数は出力を0〜1に押し込める飽和型の関数で、入力が大きい・小さい領域では微分値が小さくなり、層を逆伝播するたびに更新量が縮小しやすい。tanh関数も出力を-1〜1に押し込める飽和型の関数で、シグモイド関数と同様に両端の微分値が小さく勾配消失を招きやすい。ソフトマックス関数は複数の出力をまとめて合計が1になる確率分布に変換する関数で、出力層で使うものであり、各ノードに独立に適用する隠れ層の活性化関数の形ではない。
大項目4 ディープラーニングの概要 / 活性化関数と過学習対策
入力を0〜1の範囲になめらかに変換するS字型（シグモイド型）の活性化関数で、層を深くすると勾配消失を起こしやすいことでも知られるものはどれか。
正解は「シグモイド関数」である。シグモイド関数は、入力を0〜1の範囲になめらかに変換するS字型の活性化関数である。微分値が小さいため、層を深くすると入力層に近い層で勾配がほとんど伝わらなくなる勾配消失を起こしやすい。ReLU関数はこの問題を起こしにくくした関数、ソフトマックス関数は多クラス分類の確率化に用いる関数、恒等関数は入力をそのまま出す関数であり、いずれもS字型で勾配消失を起こしやすいという本問の特徴には当たらない。出力範囲が0〜1のS字型であることと、層を深くすると勾配消失を起こしやすいことの2条件を同時に満たす関数はシグモイド関数だけである。
同じ章で確認したい用語
到達チェック
- シグモイド関数を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、シグモイド関数に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）