G検定 用語解説
モーメンタムとは
勾配降下法において、直前までの更新方向（慣性）を加味してパラメータを更新する手法。振動を抑えて局所的な凹凸に影響されにくくし、収束を速める効果がある。
まず押さえる結論
モーメンタムは、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
出力を-1〜1の範囲に変換するS字型の活性化関数で、シグモイド関数と似た形をしているが出力の中心が0になるものはどれか。
正解は「tanh関数」である。tanh関数（双曲線正接関数）は、出力を-1〜1の範囲に変換するS字型の活性化関数で、シグモイド関数に似た形だが出力の中心が0になる点が異なる。ReLU関数は0以下を0にする関数、ソフトマックス関数は確率分布への変換、ステップ関数は0か1を出す不連続な関数であり、いずれも出力が-1〜1で中心が0のS字型関数ではない。出力範囲が-1〜1のS字型であることと、出力の中心が0になることの2条件をあわせて満たす関数はtanh関数だけである。
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
学習を進める中で、検証データに対する誤差が悪化し始めた時点で学習を打ち切ることにより、過学習を防ぐ手法はどれか。
正解は「早期終了（early stopping）」である。早期終了は、学習を進める中で検証データに対する誤差が悪化し始めた時点で学習を打ち切ることで、それ以降訓練データにだけ過度に適合していく過学習を防ぐ手法である。ドロップアウトは学習時にノードの一部をランダムに無効化して特定のノードへの依存を抑える手法、データ拡張は反転や回転などの変換で学習データを人工的に増やす手法、バッチ正規化は各層への入力の分布を正規化して学習を安定させる手法であり、いずれも検証誤差の悪化を検知して学習そのものを打ち切る仕組みではない。
大項目4 ディープラーニングの概要 / 計算資源
ディープラーニングの学習で、画像処理向けに発展した並列計算能力を活かし、多数の行列演算を高速に処理するためによく使われる計算資源はどれか。
正解は「GPU」である。GPUはもともと画像処理向けに発展したハードウェアで、多数の演算コアで処理を並列化できる特性を持ち、ディープラーニングで多用される行列演算を高速化する計算資源として広く使われる。ムーアの法則は半導体の集積度が一定期間ごとに倍増するという経験則であり、装置そのものを指す語ではない。ロジスティック回帰は分類に使う機械学習の手法、ホールドアウト法はデータを訓練用と評価用に分けてモデルを評価する方法であり、いずれも計算を高速化する計算資源ではない。
同じ章で確認したい用語
到達チェック
- モーメンタム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、モーメンタム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）