G検定 用語解説
分散表現とは
単語や文章の意味を、複数の実数値からなる低次元のベクトルとして表す方法。意味が近い単語ほど、ベクトル空間上でも近い位置に配置される。word2vecなどの手法によって獲得される。
まず押さえる結論
分散表現は、G検定の「大項目6 ディープラーニングの応用例」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
×物体検出（R-CNN系/YOLO/SSD）とセグメンテーション（セマンティック＝画素単位の塗り分け、インスタンス＝個体ごとに区別）の混同。
×word2vec・BERT・GPTの違い（BERT＝前後両方向、GPT＝一方向・自己回帰）。
×強化学習の応用（DQN、AlphaGo）と画像/言語タスクの取り違え。
関連する確認問題
大項目6 ディープラーニングの応用例 / 音声・強化学習
強化学習における行動価値関数をディープラーニングで近似し、多数のテレビゲームで人間に匹敵する成績を示したことで注目された、深層強化学習の代表的な手法はどれか。
正解はDQN。行動価値（Q値）をニューラルネットワークで近似する深層強化学習の手法で、画面の画素を入力として多数のテレビゲームを人間並みにプレイできることを示した。GANは生成器と識別器を競わせて本物らしいデータを作る生成モデル、オートエンコーダは入力を圧縮・復元して特徴を学ぶネットワーク、word2vecは単語を分散表現に変換する手法で、いずれも行動価値を学習するDQNとは目的が異なる。 学習対象を照合する。オートエンコーダは入力復元、GANはデータ生成、word2vecは単語ベクトルを学習する。状態から各行動のQ値をニューラルネットワークで出力し方策選択に使うのはDQNである。
大項目6 ディープラーニングの応用例 / 音声・強化学習
直接は観測できない内部状態が確率的に遷移し、その状態から観測データが確率的に生成されると考える時系列モデルで、古くから音声認識などに用いられてきたものはどれか。
正解は隠れマルコフモデル（HMM）。直接観測できない状態が確率的に遷移し、各状態から観測値が確率的に出力されると仮定する時系列モデルで、ディープラーニング普及以前から音声認識などで広く使われてきた。word2vecは単語を分散表現に変換する手法、WaveNetは音声を高品質に合成する深層生成モデル、seq2seqは系列を別の系列に変換するEncoder-Decoder構成で、いずれも隠れた状態遷移を確率的に扱うHMMとは異なる。 時系列モデルの構造を照合する。seq2seqはEncoder-Decoderの系列変換、word2vecは単語埋め込み、WaveNetは音声波形生成である。隠れ状態のマルコフ遷移確率と観測出力確率を持つのは隠れマルコフモデルである。
大項目6 ディープラーニングの応用例 / 自然言語処理
単語を固定長の実数ベクトルに変換し、ベクトルの加減算によって単語間の意味的な関係を表せるようにした代表的な手法はどれか。
正解は「word2vec」である。単語を固定長の実数ベクトル（分散表現）に変換し、ベクトルの演算で意味的な関係を表せるようにした代表的手法はword2vec。形態素解析は文を単語に分割する処理、seq2seqは系列変換のモデル、機械翻訳はタスク名であり、いずれも単語ベクトルそのものを学習する手法ではない。4つの選択肢は「単語のベクトル化」「文を単語に分割する処理」「系列を別の系列に変換するモデル」「言語間変換というタスク名」という異なる役割に分かれる。
同じ章で確認したい用語
到達チェック
- 分散表現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、分散表現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）