G検定 用語解説
入力層とは
ニューラルネットワークで外部から与えられたデータを最初に受け取る層。ニューロンの数は入力データの特徴量の数に対応する。
まず押さえる結論
入力層は、G検定の「大項目4 ディープラーニングの概要」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。 一次情報確認日: 2026-10-02。
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
「大項目4 ディープラーニングの概要」の問題で、取り違えやすい組み合わせです。
- 勾配消失問題と勾配爆発の混同と、ReLUなど活性化関数が緩和に果たす役割の誤解。
- 局所最適解・大域最適解・鞍点の混同（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 / ニューラルネットワークの基礎
線形分離できない分類へ対応するため、入力層と出力層の間に隠れ層を設けた。この構造はどれか。
この事例では「入力と出力の間に中間層を持つパーセプトロンか」を確認すると、「多層パーセプトロン」が当てはまると分かる。正解は「多層パーセプトロン」である。入力層と出力層の間に中間の層（隠れ層）を追加した多層パーセプトロンは、単純パーセプトロンでは解けなかったXORのような線形分離できない問題も表現できる。決定木・サポートベクターマシン・k近傍法はいずれも別の機械学習手法であり、パーセプトロンに隠れ層を加えた構造ではない。 選択肢ごとの差は次のように整理できる。「決定木」は誤り。多層パーセプトロンとは別の機械学習手法であり、単純パーセプトロンでは解けなかったXOR問題を扱うために入力層と出力層の間に隠れ層を加えた構造ではない。「サポートベクターマシン」は誤り。多層パーセプトロンとは別の機械学習手法であり、入力層と出力層の間に隠れ層を持つ構造ではない。「多層パーセプトロン」が正解。入力層と出力層の間に隠れ層を追加した構造であり、単純パーセプトロンでは解けなかったXORのような線形分離できない問題も表現できる。「k近傍法」は誤り。多層パーセプトロンとは別の機械学習手法であり、単純パーセプトロンでは解けなかったXOR問題を扱うために入力層と出力層の間に隠れ層を加えた構造ではない。
大項目4 ディープラーニングの概要 / ニューラルネットワークの基礎
入力層と出力層だけのモデルへ中間層を加え、非線形な分類境界を学べるようにした。この構造はどれか。
この事例では「隠れ層を持つ複数層のパーセプトロンか」を確認すると、「多層パーセプトロン」が当てはまると分かる。正解は「多層パーセプトロン」である。入力層と出力層の間に中間の層（隠れ層）を追加した多層パーセプトロンは、単純パーセプトロンでは解けなかったXORのような線形分離できない問題も表現できる。決定木・サポートベクターマシン・k近傍法はいずれも別の機械学習手法であり、パーセプトロンに隠れ層を加えた構造ではない。 選択肢ごとの差は次のように整理できる。「決定木」は誤り。多層パーセプトロンとは別の機械学習手法であり、単純パーセプトロンでは解けなかったXOR問題を扱うために入力層と出力層の間に隠れ層を加えた構造ではない。「サポートベクターマシン」は誤り。多層パーセプトロンとは別の機械学習手法であり、入力層と出力層の間に隠れ層を持つ構造ではない。「多層パーセプトロン」が正解。入力層と出力層の間に隠れ層を追加した構造であり、単純パーセプトロンでは解けなかったXORのような線形分離できない問題も表現できる。「k近傍法」は誤り。多層パーセプトロンとは別の機械学習手法であり、単純パーセプトロンでは解けなかったXOR問題を扱うために入力層と出力層の間に隠れ層を加えた構造ではない。
大項目4 ディープラーニングの概要 / 学習の仕組み
入力されたデータと同じものを出力するように学習させ、その過程で隠れ層に得られる低次元の表現を特徴抽出や事前学習に利用するネットワークはどれか。
正解はオートエンコーダ。入力と同じものを出力するよう学習させることで、途中の隠れ層に入力を圧縮した低次元の表現を獲得し、その表現を特徴抽出や他タスクの事前学習に利用する。多層パーセプトロンは入力層・隠れ層・出力層を持つ一般的な構造だが、学習の目標は入力の再現ではなく、与えられた入出力関係（分類や回帰の答え）を近似することにあり、入力を再現させる制約は課さない。単純パーセプトロンは隠れ層を持たない最も単純な構造で、低次元表現を学習する余地がない。畳み込みニューラルネットワークは画像などの空間構造を持つデータに畳み込み層・プーリング層を適用する専用構造で、目的は分類や検出であり、入力の再現を学習目標とする構造ではない。
同じ章で確認したい用語
到達チェック
- 入力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、入力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: ミナト編集部（運営者情報を見る）