G検定 用語解説
隠れ層とは
入力層と出力層の間に位置し、活性化関数で非線形変換を行いながら特徴を段階的に抽出する層。中間層とも呼ぶ。
まず押さえる結論
隠れ層は、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
特定のネットワーク構造に固有の仕組みではなく、入力と出力の間に位置する層という位置づけそのものとして捉える
RNN（回帰型ニューラルネットワーク）だけでなく、CNNやVAE（変分自己符号化器）のエンコーダなど、多くのニューラルネットワークで、データを受け取る層と結果を出力する層の間には隠れ層があります。隠れ層で行われる計算によって、入力データの特徴が段階的に、より扱いやすい表現へと変換されていきます。RNNの場合、この隠れ層の状態を次の時点の入力へ戻す働きを担うのがリカレント層です。
- 問題文で見る箇所
- 「入力と出力の間」「特徴を段階的に変換する」という位置づけの記述があれば隠れ層を候補にします。前の時点の状態を次の時点へ戻すという時間方向の働きが書かれていれば、隠れ層そのものではなくリカレント層を候補にします。
- 隣接概念との境界
- 隠れ層はニューラルネットワーク全般に共通する、データを受け取る層と結果を出力する層の間に位置するという位置づけの層です。リカレント層はRNNの中で、その隠れ層の状態を次の時点の入力へ戻すという、より限定された時間方向の働きを持つ層を指します。
誤答しやすい選択肢
- 前の時点の出力を次の時点の入力へ戻す働きを、隠れ層そのものの定義として説明する。この働きはRNNのリカレント層が担う役割です。
- データを受け取る層そのものを隠れ層と呼ぶ。データを受け取るのはそれより前段にあたる層で、隠れ層はその後段に位置します。
- 結果を出力する層そのものを隠れ層と呼ぶ。結果を出力するのはそれより後段にあたる層で、隠れ層はその前段に位置します。
4段階の判断手順
- 01設問がどのネットワーク構造（CNN・RNN・VAEなど）を前提にしているかを確認する。
- 02層の位置づけを問う記述か、前の時点の状態を次に戻す働きを問う記述かを区別する。
- 03前の時点の状態を戻す働きの記述であれば、隠れ層ではなくリカレント層を候補にする。
- 04データを受け取る層・結果を出力する層そのものと、その間に位置する隠れ層を混同していないか見直す。
到達条件: 隠れ層をデータを受け取る層と結果を出力する層の間に位置する層として説明し、RNNにおけるリカレント層との役割の違いを言える。
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
十分な幅を持つ隠れ層で連続関数を任意精度に近似できることを示す定理はどれか。
この事例では「ニューラルネットワークの関数近似能力を述べるか」を確認すると、万能近似定理に絞れる。正解は「万能近似定理」である。万能近似定理は、隠れ層を持つニューラルネットワークが十分な数のニューロンを備えれば任意の連続関数を任意の精度で近似できることを示す定理である。ノーフリーランチ定理はあらゆる問題に万能なアルゴリズムは存在しないという主張、ベイズの定理は確率の更新、中心極限定理は標本平均の分布に関する定理であり、いずれも近似能力に関する本定理とは異なる。 選択肢ごとの差は次のように整理できる。「ノーフリーランチ定理」は誤答側で、誤答。「ノーフリーランチ定理」はあらゆる問題に万能なアルゴリズムは存在しないという主張であり、関数を近似できる能力について述べた定理ではない。「ベイズの定理」は誤答側で、誤答。「ベイズの定理」は確率を新たな情報で更新するための定理であり、ニューラルネットワークの近似能力について述べた定理ではない。「万能近似定理」は正解側で、正解。「万能近似定理」は隠れ層を持つニューラルネットワークが十分な数のニューロンを備えれば任意の連続関数を任意の精度で近似できることを示す定理である。「中心極限定理」は誤答側で、誤答。「中心極限定理」は標本平均の分布に関する定理であり、ニューラルネットワークの近似能力について述べた定理ではない。
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
画像の複雑な境界を表現するため、入力と出力の間へ複数の中間層を置いた構造はどれか。
この事例では「隠れ層によって非線形な関係を学ぶ構造か」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
一つの隠れ層でも十分なユニットがあれば連続関数を高精度に近似できる、とする定理はどれか。
この事例では「ニューラルネットワークの普遍的な関数近似性か」を確認すると、万能近似定理に絞れる。正解は「万能近似定理」である。万能近似定理は、隠れ層を持つニューラルネットワークが十分な数のニューロンを備えれば任意の連続関数を任意の精度で近似できることを示す定理である。ノーフリーランチ定理はあらゆる問題に万能なアルゴリズムは存在しないという主張、ベイズの定理は確率の更新、中心極限定理は標本平均の分布に関する定理であり、いずれも近似能力に関する本定理とは異なる。 選択肢ごとの差は次のように整理できる。「ノーフリーランチ定理」は誤答側で、誤答。「ノーフリーランチ定理」はあらゆる問題に万能なアルゴリズムは存在しないという主張であり、関数を近似できる能力について述べた定理ではない。「ベイズの定理」は誤答側で、誤答。「ベイズの定理」は確率を新たな情報で更新するための定理であり、ニューラルネットワークの近似能力について述べた定理ではない。「万能近似定理」は正解側で、正解。「万能近似定理」は隠れ層を持つニューラルネットワークが十分な数のニューロンを備えれば任意の連続関数を任意の精度で近似できることを示す定理である。「中心極限定理」は誤答側で、誤答。「中心極限定理」は標本平均の分布に関する定理であり、ニューラルネットワークの近似能力について述べた定理ではない。
同じ章で確認したい用語
到達チェック
- 隠れ層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、隠れ層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）