G検定 用語解説
全結合層とは
畳み込み層やプーリング層が抽出した特徴を統合し、最終的な分類などの出力につなげる層。全ノードが次の層の全ノードと結合し、ネットワークの終盤に置かれることが多い。
まず押さえる結論
全結合層は、G検定の「大項目5 ディープラーニングの要素技術」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
×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。
×LSTMとGRUのゲート数の混同（LSTM＝3ゲート＋記憶セル、GRU＝2ゲートに簡略化）。
×最適化手法の取り違え（モメンタム＝慣性、AdaGrad/RMSProp＝適応学習率、Adam＝両方）。GAN・VAE・拡散モデルの生成方式の違い。
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 / 畳み込みニューラルネットワーク
CNNにおいて、特徴マップの縦横サイズを縮小して計算量を抑えつつ、対象の位置が多少ずれても出力が変化しにくい性質（位置不変性）を高める働きを主に担う層はどれか。
正解は「プーリング層」である。プーリング層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である。畳み込み層はフィルタで特徴を抽出する層、全結合層は抽出済みの特徴を統合して分類などの出力につなげる層、出力層は最終的な予測値を出す層であり、いずれもサイズ縮小と位置不変性の付与という2条件を同時には満たさない。設問はこの2条件をともに満たす層を問うており、両方を満たすのはプーリング層だけである。
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
一般的な畳み込みニューラルネットワークで、畳み込み層やプーリング層で抽出した特徴を統合し、最終的な分類などの出力を行うために終盤に置かれることが多い層はどれか。
正解は「全結合層」である。全結合層は、すべてのノードが次の層のすべてのノードと結合した層で、畳み込み層やプーリング層で抽出された特徴を統合し、最終的な分類などの出力を行うためにネットワークの終盤に置かれることが多い。畳み込み層は特徴抽出、プーリング層はサイズ縮小と位置不変性、入力層はデータの入り口であり、いずれも特徴を統合して出力する役割の層ではない。 CNNの層は処理順と役割で並べる。入力層から受けたデータを畳み込み層が特徴へ変換し、プーリング層が空間サイズを縮小する。その後、抽出済み特徴を統合して分類出力へ結び付けるのが全結合層である。
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
CNNで、特徴マップの位置ずれにある程度強くし、空間サイズを小さくするために使われる層はどれか。
正解は「プーリング層」である。プーリング層はCNNで特徴マップの空間サイズを縮小し、局所的な位置ずれにある程度頑健にする役割を持つ。全結合層は特徴をまとめて出力に接続する層、生成器はGANの構成要素、自己注意はTransformerで重要な仕組みであり、CNNのサイズ縮小を担う層ではない。 各部品が扱う情報と位置を分ける。全結合層は終盤で特徴を統合し、生成器はGANでデータを作り、自己注意は要素間の関係を重み付けする。局所領域を最大値や平均値で要約して空間サイズを下げるのはプーリング層である。
同じ章で確認したい用語
到達チェック
- 全結合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、全結合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）