G検定 用語解説
勾配消失問題とは
層が深いと逆伝播で勾配が小さくなり学習が進まなくなる問題。ReLUなどで緩和する。
まず押さえる結論
勾配消失問題は、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 / 学習の仕組み
ネットワークの層を深くしたとき、シグモイド関数などの微分値が1未満で小さいために、入力層に近い層ほど重みの更新がほとんど進まなくなる現象はどれか。
正解は勾配消失問題。シグモイド関数は微分値が1未満の小さい範囲にとどまり、誤差逆伝播で層をさかのぼるたびにこの小さな値が繰り返し掛け合わされるため、入力層に近い層に伝わる更新量は次第に小さくなり、ほとんど学習が進まなくなる。過学習は訓練データに適合しすぎて未知データへの予測精度が下がる現象であり、更新量が層を伝わりにくくなることとは別の問題である。次元削減はデータの特徴量の数を減らす前処理であり、層の深さや微分値の大きさとは関係しない。信用割当問題は、結果に対してネットワークのどの部分がどれだけ寄与したかを特定するという学習全般に関わる課題を指す言葉で、微分値が小さいために更新量が減衰するという具体的な仕組みそのものを指すものではない。
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。
同じ章で確認したい用語
到達チェック
- 勾配消失問題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、勾配消失問題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）