G検定 用語解説
多層パーセプトロンとは
入力層・出力層に加えて中間層（隠れ層）を1つ以上持つパーセプトロン。活性化関数による非線形変換により、線形分離不可能な問題も扱える。
まず押さえる結論
多層パーセプトロンは、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）具体例から判断の境界を固める
多層パーセプトロンを、役割と隣接概念の境界から捉える
入力層・出力層に加えて中間層（隠れ層）を1つ以上持つパーセプトロン。活性化関数による非線形変換により、線形分離不可能な問題も扱える。 試験では名称だけでなく、処理の対象、目的、使う段階を別概念と入れ替えた選択肢が出るため、定義の主語と動作を分けて確認します。
- 問題文で見る箇所
- 入力層と出力層の間に1つ以上の中間層があり、活性化関数で非線形変換しているかを確認します。
- 隣接概念との境界
- 多層パーセプトロンは中間層を持ち非線形分離を扱える一方、単純パーセプトロンは中間層を持たず線形分離可能な問題に限られます。
誤答しやすい選択肢
- 入力層と出力層だけの構成を多層パーセプトロンと呼ぶ。定義の主語と処理対象を確認します。
- 多層パーセプトロンの目的だけを見て、同じ目的を持つ別手法まで同じ用語とする。具体的な処理を比較します。
- 多層パーセプトロンを使えば目的が必ず達成されると断定する。適用条件や評価を別に確認します。
4段階の判断手順
- 01問題文が状態、手法、評価指標、制度のどれを説明しているか決める。
- 02定義の中心となる対象と動作が多層パーセプトロンに一致するか確認する。
- 03隣接概念と共通する目的ではなく、処理や条件の違いを見る。
- 04必ず・完全に・だけでよいという過度な断定がないか見直す。
到達条件: 多層パーセプトロンを一文で説明し、最も混同しやすい隣接概念との違いを処理または条件から言える。
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2値のうち片方だけが1のとき正例となる分類を、単純パーセプトロンで学習できなかった。該当する問題はどれか。
この事例では「一本の直線では分離できない排他的論理和か」を確認すると、XOR（排他的論理和）のような線形分離できない問題に絞れる。正解は「XOR（排他的論理和）のような線形分離できない問題」である。単純パーセプトロンは直線（超平面）で分離できる線形分離可能な問題しか解けず、XOR（排他的論理和）のように1本の直線では分けられない問題は解けない。これがパーセプトロンの限界として知られ、中間層を持つ多層パーセプトロンによって解決された。線形分離可能な問題は単純パーセプトロンでも解ける。足し算や文字表示のように線形分離という観点自体が当てはまらない処理ではなく、1本の直線で分けられるかどうかという基準で見分ける。
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
線形分離できない分類へ対応するため、入力層と出力層の間に隠れ層を設けた。この構造はどれか。
この事例では「入力と出力の間に中間層を持つパーセプトロンか」を確認すると、多層パーセプトロンに絞れる。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。 選択肢ごとの差は次のように整理できる。「決定木」は誤答側で、誤答。「決定木」は多層パーセプトロンとは別の機械学習手法であり、単純パーセプトロンでは解けなかったXOR問題を扱うために入力層と出力層の間に隠れ層を加えた構造ではない。「サポートベクターマシン」は誤答側で、誤答。「サポートベクターマシン」は多層パーセプトロンとは別の機械学習手法であり、入力層と出力層の間に隠れ層を持つ構造ではない。「多層パーセプトロン」は正解側で、正解。「多層パーセプトロン」は入力層と出力層の間に隠れ層を追加した構造であり、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。「k近傍法」は誤答側で、誤答。「k近傍法」は多層パーセプトロンとは別の機械学習手法であり、単純パーセプトロンでは解けなかったXOR問題を扱うために入力層と出力層の間に隠れ層を加えた構造ではない。
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
二つの入力が異なる場合だけ1を返すデータを一本の決定境界で分けられない。この代表例はどれか。
この事例では「線形分離不能なXORの条件か」を確認すると、XOR（排他的論理和）のような線形分離できない問題に絞れる。正解は「XOR（排他的論理和）のような線形分離できない問題」である。単純パーセプトロンは直線（超平面）で分離できる線形分離可能な問題しか解けず、XOR（排他的論理和）のように1本の直線では分けられない問題は解けない。これがパーセプトロンの限界として知られ、中間層を持つ多層パーセプトロンによって解決された。線形分離可能な問題は単純パーセプトロンでも解ける。 選択肢ごとの差は次のように整理できる。「2つの数の足し算」は誤答側で、誤答。「2つの数の足し算」は線形分離の可否とは異なる処理であり、単純パーセプトロンが解けない代表例として挙げられる問題ではない。「1本の直線で2つのグループに分けられる問題」は誤答側で、誤答。「1本の直線で2つのグループに分けられる問題」は線形分離可能な問題であり、単純パーセプトロンでも解ける。設問が求める「解けない問題」には当たらない。「XOR（排他的論理和）のような線形分離できない問題」は正解側で、正解。「XOR（排他的論理和）のような線形分離できない問題」は1本の直線では分けられない問題であり、単純パーセプトロンが解けない代表例として知られる。「文字を画面に表示する処理」は誤答側で、誤答。「文字を画面に表示する処理」は線形分離の可否とは関係のない処理であり、単純パーセプトロンが解けない代表例として挙げられる問題ではない。
同じ章で確認したい用語
到達チェック
- 多層パーセプトロン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、多層パーセプトロン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）