G検定 用語解説
プーリング層とは
特徴マップを一定領域ごとに集約してダウンサンプリング（縮小）し、対象の位置が多少ずれても同じ特徴として検出できる位置不変性を高める層。
プーリング層の意味と見分け方
プーリング層は、G検定の「大項目5 ディープラーニングの要素技術」に出てくる用語です。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。
試験概要（公式）比較記事でさらに確認する
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
「大項目5 ディープラーニングの要素技術」の問題で、取り違えやすい組み合わせです。
- CNN（画像・畳み込み/プーリング）とRNN（時系列・系列データ）の使い分けを取り違える。
- LSTMとGRUのゲート数を混同する（LSTM＝3ゲート＋記憶セル、GRU＝2ゲートに簡略化）。
- 最適化手法を取り違える（モメンタム＝慣性、AdaGrad/RMSProp＝適応学習率、Adam＝両方）。
関連する確認問題
大項目5 ディープラーニングの要素技術 / 生成モデルと注意機構
Transformerで用いられ、複数の注意機構を並列に適用して、系列内の単語どうしの関係を異なる観点から同時に捉える仕組みはどれか。
正解はマルチヘッドアテンション。自己注意を複数のヘッドに分けて並列に計算し、それぞれが異なる観点で単語間の関係を捉えたうえで統合することで、豊かな表現を得る仕組みである。位置エンコーディングは単語の並び順の情報をベクトルに加える工夫、プーリング層は畳み込みで特徴マップを縮約する層、スキップ結合は層を飛び越えて入力を足し込む接続で、いずれも注意を多頭で並列化するこの仕組みとは異なる。 Transformerの部品は付加する情報と計算経路で区別する。位置エンコーディングは順序情報、プーリングは空間要約、スキップ結合は層を越す経路を与える。異なる射影ごとに注意を計算し結果を結合するのがマルチヘッドアテンションである。
大項目5 ディープラーニングの要素技術 / 畳み込みニューラルネットワーク
畳み込みニューラルネットワークで、2×2の領域から最大値を取り、ストライド2で適用するプーリング層は、入力の活性化のうちどれだけを捨てるか。
正解は75%。2×2の4つの値から最大の1つだけを残すので、残るのは4分の1で、4分の3（75%）が捨てられる。Stanford CS231nは、最も一般的なこの設定で活性化の75%を捨てると説明する。幅と高さはそれぞれ半分になり、たとえば[32×32×12]は[16×16×12]に縮む。奥行きは変わらない。プーリング層を入れると、後ろの層が扱う値の数が減るので、パラメータと計算量が減る。また、対象の位置が少しずれても最大値が変わりにくいため、位置のずれに強い特徴になる。
大項目5 ディープラーニングの要素技術 / 畳み込みニューラルネットワーク
畳み込みニューラルネットワークのプーリング層の説明として、Stanford CS231nの記述に合うものはどれか。
正解は、各奥行きの断面ごとに独立して空間の大きさを縮める固定の関数で、学習するパラメータを持たない、である。Stanford CS231nは、プーリング層が空間の大きさを縮めてパラメータと計算量を減らし、過学習を抑える役割を持つと説明する。奥行きは変わらず、パラメータは持たない。また、プーリング層ではゼロパディングを通常は使わない。畳み込み層と比べると、畳み込み層は学習するフィルタの重みを持ち、奥行きがフィルタ数で決まるのに対して、プーリング層は学習せず奥行きを変えない。この違いで2つの層の役割を区別できる。
同じ章で確認したい用語
到達チェック
- プーリング層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、プーリング層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: AI資格ドリル編集部（運営者情報を見る）