G検定 用語解説
重みとは
ニューロン間の結合の強さを表すパラメータ。誤差逆伝播法によって値が更新され、モデルが入力のどの要素を重視するかを決める。
まず押さえる結論
重みは、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
ニューロンが受け取る複数の入力それぞれに掛け合わされ、その入力が出力にどれだけ影響するかを表す、学習によって調整される数値はどれか。
正解は重み。ニューロンは複数の入力を受け取り、それぞれに個別の重みを掛け合わせて足し合わせることで、その入力が出力にどれだけ影響するかを表す。重みは学習によって値が調整され、入力ごとに異なる値を持つ点が特徴である。バイアスは入力に掛け合わされる係数ではなく、重み付き和に加算される定数項で、ニューロンの発火のしやすさ（閾値相当）を調整する。活性化関数は、重みとバイアスで計算した値を非線形に変換する関数そのものであり、入力に掛け合わされる数値ではない。学習率は勾配に基づいてパラメータをどれだけ動かすかを決める更新の歩幅であり、入力ごとに個別に存在する値でもない。
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
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。
同じ章で確認したい用語
到達チェック
- 重み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、重み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）