G検定 用語解説
ネオコグニトロンとは
福島邦彦が1979年に提唱した多層のパターン認識モデル。視覚野の単純細胞・複雑細胞の働きを模したS細胞・C細胞の階層構造により、位置のずれや形の変形に強い認識を実現し、現代の畳み込みニューラルネットワーク（CNN）に大きな影響を与えた先駆けとされる。
まず押さえる結論
ネオコグニトロンは、G検定の「大項目2 人工知能をめぐる動向」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）具体例から判断の境界を固める
ネオコグニトロンを、役割と隣接概念の境界から捉える
福島邦彦が1979年に提唱した多層のパターン認識モデル。視覚野の単純細胞・複雑細胞の働きを模したS細胞・C細胞の階層構造により、位置のずれや形の変形に強い認識を実現し、現代の畳み込みニューラルネットワーク（CNN）に大きな影響を与えた先駆けとされる。 試験では名称だけでなく、処理の対象、目的、使う段階を別概念と入れ替えた選択肢が出るため、定義の主語と動作を分けて確認します。
- 問題文で見る箇所
- 視覚野の単純細胞・複雑細胞の階層構造を模した最初期のパターン認識モデルであり、その約20年後にバックプロパゲーションによる教師あり学習を導入したLeNet以降のCNNとは提唱時期・学習方法が異なることを確認します。
- 隣接概念との境界
- ネオコグニトロンは1979年に福島邦彦が提唱した最初期のモデルで、LeNetは1998年にヤン・ルカンらがバックプロパゲーションによる教師あり学習を導入して発表したモデルです。提唱時期と学習方法で区別します。
誤答しやすい選択肢
- ネオコグニトロンとLeNetを同一のモデル、あるいは無関係に別々に発表された技術として混同し、CNN史における前後関係を取り違える。定義の主語と処理対象を確認します。
- ネオコグニトロンの目的だけを見て、同じ目的を持つ別手法まで同じ用語とする。具体的な処理を比較します。
- ネオコグニトロンを使えば目的が必ず達成されると断定する。適用条件や評価を別に確認します。
4段階の判断手順
- 01問題文が状態、手法、評価指標、制度のどれを説明しているか決める。
- 02定義の中心となる対象と動作がネオコグニトロンに一致するか確認する。
- 03隣接概念と共通する目的ではなく、処理や条件の違いを見る。
- 04必ず・完全に・だけでよいという過度な断定がないか見直す。
到達条件: ネオコグニトロンを一文で説明し、最も混同しやすい隣接概念との違いを処理または条件から言える。
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
×AIブームと中心の対応ずれ。第一次＝探索・推論、第二次＝エキスパートシステム、第三次＝ディープラーニング。
×フレーム問題とシンボルグラウンディング問題の混同。前者は『起こりうる事柄をすべて考慮しきれない』、後者は『記号と実世界の意味を結びつけられない』。
×知識獲得のボトルネック（専門知識をルール化する作業の困難さ）をエキスパートシステムの利点と取り違える。
関連する確認問題
大項目2 人工知能をめぐる動向 / 探索・推論
二人零和ゲームのゲーム木で、自分は評価値を最大化し、相手は評価値を最小化する手を選ぶと仮定して、現在の最善手を決める考え方はどれか。
正解は「Mini-Max法」である。Mini-Max法は、二人零和ゲームで自分は評価値を最大化し、相手は評価値を最小化する行動を選ぶと仮定し、双方が最善を尽くした場合の結果から現在の手を決める考え方である。αβ法はMini-Max法の結果を変えない枝を探索途中で刈り込み、計算量を減らすための手法であり、評価方針そのものではない。モンテカルロ法はランダムな試行を繰り返した統計から手を評価する。幅優先探索は同じ深さのノードを順に展開する一般的な探索順序である。最大化側と最小化側を交互に置く点が決め手になる。
大項目2 人工知能をめぐる動向 / AIブームと機械学習の発展
迷惑メール判定で使う単語の出現回数や、画像認識で使う輪郭・色など、機械学習モデルが予測の手がかりとして扱うデータの性質や変数を何というか。
正解は「特徴量」である。特徴量は、機械学習モデルが分類や予測の手がかりとして扱う、対象から取り出した性質や数値化された変数を指す。単語の出現回数や画像の輪郭・色はその具体例である。ビッグデータは量や種類などの面で大規模なデータの集まりを指し、個々の予測入力となる性質の名称ではない。次元の呪いは特徴量が増えすぎることで必要なデータ量が急増し、距離や密度の意味が薄れやすくなる問題である。データマイニングは大量データから規則性や傾向を見つける活動全般である。モデルへ渡す判断材料という役割から特徴量を選ぶ。
大項目2 人工知能をめぐる動向 / AIブームと機械学習の発展
大量の文章データに含まれる単語の出現頻度や共起などの統計的な規則性を利用し、言語を扱う手法を発展させた流れを表す用語はどれか。
大量の文章データから統計的な規則性を取り出して言語処理に活かす流れを指すのが、正解の「統計的自然言語処理」である。単語の出現頻度や共起といった統計的な規則性を、言語の解析や予測に利用する研究の流れを表す語であることが、設問文の記述と直接対応する。イライザ（ELIZA）は統計的な規則性ではなく入力文のパターンにあらかじめ定めた応答を対応させる仕組みであり、意味ネットワークは概念と関係を構造として表す知識表現の方法であって、どちらも大量データの統計的規則性を利用する手法の流れそのものを指す語ではない。生成AIは文章や画像などを新たに作り出すAI全般を指す現在の総称であり、統計的自然言語処理という技術発展の歴史的な流れそのものを指す語ではない点で、設問の条件とはかみ合わない。
同じ章で確認したい用語
到達チェック
- ネオコグニトロン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、ネオコグニトロン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）