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 / ニューラルネットワークの基礎
入力を直接出力に結びつける単純な構造では表現力が足りないため、入力層と出力層の間に中間の層を追加して複雑な対応関係を表せるようにしたニューラルネットワークはどれか。
正解は多層パーセプトロン。入力層と出力層だけを直接つなぐ単純パーセプトロンでは表現力に限界があるため、間に隠れ層を挟んで複雑な入出力関係を近似できるようにしたのが多層パーセプトロンである。単純パーセプトロンは、この設問が「表現力が足りない」と指摘している改善前の構造そのものであり、隠れ層を持たない。オートエンコーダも隠れ層を持つが、目的は入力と同じものを出力へ再現し低次元表現を得ることにあり、設問が求める「複雑な対応関係を表す」ための多層化とは目的が異なる。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、隠れ層に相当する層を持つ点は共通しても、汎用的な多層パーセプトロンの説明とは別のアーキテクチャである。
大項目4 ディープラーニングの概要 / 学習の仕組み
出力で生じた誤差を出力側の層から入力側の層へ向かってさかのぼらせ、各重みをどれだけ修正すべきかを計算する学習手法はどれか。
正解は誤差逆伝播法。出力層で生じた誤差を出力側から入力側へ向かって連鎖律で伝え、途中の各層の重みをどれだけ修正すべきか（勾配）を計算する手法である。確率的勾配降下法は、誤差逆伝播法で求めた勾配を使って実際に重みを更新する最適化の手続きであり、誤差を逆向きに伝えて勾配を求める計算そのものではない。主成分分析はデータの分散が大きい方向を軸として次元を削減する教師なし学習の手法で、重みの修正量を計算する学習手法ではない。交差検証はデータを分割して学習と評価を繰り返し汎化性能を見積もるモデル評価の手法であり、重みを更新する仕組みとは別の枠組みに属する。
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
- 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）