G検定 用語解説
出力層とは
ネットワークでの計算結果を、最終的な予測値やクラスごとの確率として出力する最後の層。
まず押さえる結論
出力層は、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
入力値が0以下のとき0を、0より大きいときはその値をそのまま出力する単純な形で、勾配消失問題を起こしにくくした活性化関数はどれか。
正解はReLU関数。入力が0以下のとき0を、0より大きいときはその値をそのまま出力する区分線形の単純な形をしており、正の領域では微分値が一定であるため、層を重ねても勾配が縮小しにくく勾配消失問題を起こしにくい。シグモイド関数は出力を0〜1に押し込める飽和型の関数で、入力が大きい・小さい領域では微分値が小さくなり、層を逆伝播するたびに更新量が縮小しやすい。tanh関数も出力を-1〜1に押し込める飽和型の関数で、シグモイド関数と同様に両端の微分値が小さく勾配消失を招きやすい。ソフトマックス関数は複数の出力をまとめて合計が1になる確率分布に変換する関数で、出力層で使うものであり、各ノードに独立に適用する隠れ層の活性化関数の形ではない。
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
単純パーセプトロンでは解けなかったXOR問題を扱えるようにするために導入された、入力層と出力層の間に中間の層（隠れ層）を持つ構造はどれか。
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。決定木は条件分岐を繰り返す木構造、サポートベクターマシンはマージンを最大化する境界を求める手法、k近傍法は近い訓練データの多数決で答えを決める手法であり、いずれも層を重ねて学習するネットワーク構造ではないという一点で見分ける。
大項目4 ディープラーニングの概要 / 学習の仕組み
ニューラルネットワークの出力誤差を出力層側から入力層側へ伝え、各重みの更新に必要な勾配を求める方法はどれか。
正解は「誤差逆伝播法（バックプロパゲーション）」である。誤差逆伝播法は、出力誤差をネットワークの後ろから前へ伝えて各重みに対する勾配を計算する方法である。早期終了は過学習対策、PCAは次元削減、シルエット分析はクラスタリング結果の評価に使う方法であり、重みの勾配を逆方向に計算する方法ではない。 判断の軸は、誤差を伝える方向と求める量である。学習を打ち切る早期終了、次元を減らすPCA、クラスタリングを評価するシルエット分析ではなく、出力層側から誤差を伝えて勾配を計算する誤差逆伝播法を選ぶ。
同じ章で確認したい用語
到達チェック
- 出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、出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）