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 / 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
学習の各ステップで一部のノードを一定の割合でランダムに使わないようにすることで、特定のノードへの依存を防ぎ過学習を抑制する手法はどれか。
正解はドロップアウト。学習の各ステップで、一定の割合のノードをランダムに選んで一時的に無効化しながら学習を進めることで、特定のノードの組み合わせに依存した学習を防ぎ、過学習を抑制する手法である。バッチ正規化はミニバッチ単位で各層の出力の分布を正規化する手法で、ノードそのものを無効化するわけではない。重みの初期化は学習を始める時点での重みの与え方を指し、学習を進める過程でノードを無効化する操作ではない。早期終了は検証データに対する誤差が悪化し始めた時点で学習そのものを打ち切る手法であり、一部のノードだけを無効化するのではなくネットワーク全体の学習を止める点で異なる。
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
線形回帰モデルに正則化を適用する際、重みの絶対値の和をペナルティとして損失関数に加えることで一部の重みを厳密に0にし、変数選択（スパースなモデル化）につながる効果を持つ手法はどれか。
正解は「ラッソ回帰」である。ラッソ回帰は線形回帰にL1正則化を適用したもので、重みの絶対値の和をペナルティとして損失関数に加えることで一部の重みを厳密に0にし、変数選択（スパースなモデル化）につながる効果を持つ。リッジ回帰は線形回帰にL2正則化を適用したもので、重みの二乗和をペナルティとして加えて重みを全体的に小さい値へ縮小するが、厳密に0にはしにくく変数選択の効果は弱い。ドロップアウトは学習中に一部のノードをランダムに無効化して過学習を抑える手法、バッチ正規化は各層に入力されるミニバッチのデータ分布を正規化して学習を安定させる手法であり、いずれも重みへペナルティ項を加える正則化ではない。
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）