G検定 用語解説
勾配降下法とは
損失関数の勾配（傾き）をたどり、損失が小さくなる方向へ少しずつ重みを更新していく最適化の手法。
まず押さえる結論
勾配降下法は、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
ニューラルネットワークの学習で、モデルの予測と正解との誤差の大きさを数値化し、その値が小さくなるように重みを更新する際の基準となる関数はどれか。
正解は損失関数。モデルの予測と正解のずれを1つの数値で表し、学習ではこの値を最小化するように誤差逆伝播法と勾配降下法で重みを調整する。活性化関数は各ニューロンの出力を非線形に変換する関数、学習率は1回の更新で重みをどれだけ動かすかを決める値、正則化は過学習を抑えるために損失に罰則を加える工夫で、いずれも誤差そのものを測る損失関数とは役割が異なる。 学習の各要素は、測る値・変換・更新幅・罰則に分けて整理する。活性化関数は出力変換、学習率は更新幅、正則化は過学習を抑える工夫であり、予測誤差そのものを数値化する損失関数が設問の基準となる。
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
勾配降下法による最適化で、過去の更新方向を慣性として現在の更新に加えることで、収束を速め振動を抑えることを狙った手法はどれか。
正解は「モメンタム」である。モメンタムは、過去の勾配（更新方向）を慣性として現在のパラメータ更新に加えることで、収束を速め、勾配の振動を抑えることを狙った最適化手法である。ドロップアウトは過学習対策、ワンホットエンコーディングはカテゴリ変数の変換、パディングは畳み込みの端処理であり、いずれも更新に慣性を加える最適化手法ではない。 各選択肢が作用する段階を分ける。ドロップアウトは学習中にユニットを無効化する汎化手法、ワンホット化は入力表現、パディングは畳み込み端部の処理である。勾配更新そのものへ過去の速度を加えるモメンタムが該当する。
同じ章で確認したい用語
到達チェック
- 勾配降下法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、勾配降下法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）