G検定 用語解説
Adam（最適化手法）とは
慣性（モメンタム）とパラメータごとの適応学習率を兼ね備えた、広く使われる最適化手法。
まず押さえる結論
Adam（最適化手法）は、G検定の「大項目5 ディープラーニングの要素技術」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
モデルの種類ではなく、勾配から重みを更新する規則として捉える
分類モデルを学習するときは、順伝播で予測し、損失を求め、逆伝播で勾配を得た後にパラメータを更新します。Adamが担うのは最後の更新部分です。勾配の一次モーメントと二次モーメントの移動平均を用いて、パラメータごとの更新量を調整します。入力が画像でも文章でも、採用するモデル構造とは別に選ばれます。
- 問題文で見る箇所
- 勾配、学習率、モーメント、パラメータ更新、最適化という語が中心ならAdamを候補にします。畳み込み層や注意機構のように入力から特徴を作る構造を問う設問では、Adamをモデルの名称として選びません。
- 隣接概念との境界
- CNNは画像などから局所特徴を抽出するネットワーク構造です。AdamはCNNを含むモデルの学習時に使える更新則であり、Adamへ変更しても畳み込み層の構造が自動的に変わるわけではありません。損失関数や正則化とも役割を分けます。
誤答しやすい選択肢
- 画像の空間的特徴を抽出する層をAdamとする。これはCNNなどモデル構造の説明です。
- 予測値と正解のずれを定義する式をAdamとする。これは損失関数の説明です。
- 学習後の適合率や再現率を計算する方法をAdamとする。これは評価指標の説明です。
4段階の判断手順
- 01設問の処理が予測、損失計算、勾配計算、更新のどこにあるか決める。
- 02パラメータ更新であれば、一定の学習率か適応的な更新かを読む。
- 03モデル構造や評価指標を説明する選択肢を別の層として除外する。
- 04Adamの採用だけで最適解や過学習防止が保証されるという断定を避ける。
到達条件: 学習処理の中でAdamが働く位置を示し、CNN・損失関数・評価指標との違いを説明できる。
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
×CNN（画像・畳み込み/プーリング）とRNN（時系列・系列データ）の使い分け。
×LSTMとGRUのゲート数の混同（LSTM＝3ゲート＋記憶セル、GRU＝2ゲートに簡略化）。
×最適化手法の取り違え（モメンタム＝慣性、AdaGrad/RMSProp＝適応学習率、Adam＝両方）。GAN・VAE・拡散モデルの生成方式の違い。
関連する確認問題
大項目5 ディープラーニングの要素技術 / 畳み込みニューラルネットワーク
畳み込み演算において、フィルタを入力データ上でずらしながら適用する際の、1回あたりの移動幅を指す用語はどれか。
正解は「ストライド」である。ストライドは畳み込みでフィルタを入力データ上でずらす際の1回あたりの移動幅を指す語で、値を大きくすると出力サイズが小さくなる。フィルタ（カーネル）は特徴抽出に用いる重みのまとまりを指す語、プーリングは特徴マップを縮小する処理、パディングは入力の周囲に画素を補って出力サイズを調整する処理であり、いずれも移動幅そのものを表す語ではない。設問は「1回あたりの移動幅」という量を問うており、これに対応する語はストライドだけである。
大項目5 ディープラーニングの要素技術 / 再帰型ニューラルネットワーク
ある時刻の中間層の状態を次の時刻の入力として再び取り込む構造を持ち、文章や音声のような前後関係のある可変長の系列データを扱うのに適したニューラルネットワークはどれか。
正解は「リカレントニューラルネットワーク（RNN）」である。RNNはある時刻の中間層の状態を次の時刻の入力として再び取り込む再帰構造を持ち、文章や音声のような前後関係のある可変長の系列データを扱うのに適する。CNNは画像など空間的データの特徴をフィルタで抽出するモデル、GANは生成器と識別器を競わせてデータを生成するモデル、VAEは確率的な潜在変数を介して符号化・生成を行うモデルであり、いずれも時刻をまたいで中間層の状態を再帰的に渡す構造を本質としない。設問は「前の時刻の状態を次の時刻に取り込む再帰構造」を問うており、これに該当するのはRNNだけである。
大項目5 ディープラーニングの要素技術 / 再帰型ニューラルネットワーク
通常の再帰型ニューラルネットワークが長い系列を扱うと勾配消失が起きやすい問題に対し、入力・出力・忘却の3種類のゲートと記憶セルを備えて長期の依存関係を保持できるようにした手法はどれか。
正解は「LSTM」である。LSTMは入力・出力・忘却の3つのゲートと記憶セルを持ち、長期依存を保持して勾配消失を緩和する。GRUも勾配消失対策の手法だがゲートはリセット・更新の2つで独立した記憶セルを持たず、3ゲートと記憶セルを備えるという条件に一致しない。双方向RNNは系列を前後両方向から処理する構造、BPTTは時間方向に展開して誤差逆伝播を行う学習法であり、いずれもゲート機構による記憶保持の手法ではない。設問は「3種類のゲートと記憶セル」という具体的な構造を問うており、これに一致するのはLSTMだけである。
同じ章で確認したい用語
到達チェック
- Adam（最適化手法）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、Adam（最適化手法）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）