G検定 用語解説
LSTM／GRUとは
RNNを改良し長い系列でも情報を保持しやすくしたモデル。LSTMは3ゲート、GRUは2ゲートに簡略化。
まず押さえる結論
LSTM／GRU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）比較記事でさらに確認する
具体例から判断の境界を固める
LSTM／GRUを、役割と隣接概念の境界から捉える
RNNを改良し長い系列でも情報を保持しやすくしたモデル。LSTMは3ゲート、GRUは2ゲートに簡略化。 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
- RNNの長期依存を扱うためのゲート機構と、LSTM・GRUのゲート数や状態表現の違いを確認します。
- 隣接概念との境界
- LSTMは入力・忘却・出力の3ゲートとセル状態を持ち、GRUは更新・リセットの2ゲートへ簡略化されています。
誤答しやすい選択肢
- GRUの方がゲート数が多く、独立したセル状態を必ず持つとする。定義の主語と処理対象を確認します。
- LSTM／GRU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。
- LSTM／GRU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LSTM／GRU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: LSTM／GRU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
×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 / 生成モデルと注意機構
再帰や畳み込みの構造を用いず、系列内の各要素が互いにどれだけ関連するかを表す重みを計算する注意の仕組みを全面的に採用した、系列データを扱う多くのタスクで主流となったモデルはどれか。
正解は「Transformer」である。Transformerは再帰や畳み込みの構造を用いず、系列内の各要素が互いにどれだけ関連するかを表す自己注意（Self-Attention）を計算して情報を重み付けし、系列データを扱う多くのタスクで主流となったモデルである。LSTM・GRU・双方向RNNはいずれも再帰構造を基礎とする手法であり、注意機構を全面的に採用したモデルではない。設問は「再帰や畳み込みを用いず注意機構を全面採用」という構造を問うており、これに該当するのはTransformerだけである。
同じ章で確認したい用語
到達チェック
- LSTM／GRU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、LSTM／GRU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）