G検定 用語解説
Seq2Seqとは
入力した系列をいったん固定長のベクトルに符号化し、それを復号して別の系列を生成するEncoder-Decoder型のモデル。機械翻訳などに用いられる。
まず押さえる結論
Seq2Seqは、G検定の「大項目6 ディープラーニングの応用例」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
×物体検出（R-CNN系/YOLO/SSD）とセグメンテーション（セマンティック＝画素単位の塗り分け、インスタンス＝個体ごとに区別）の混同。
×word2vec・BERT・GPTの違い（BERT＝前後両方向、GPT＝一方向・自己回帰）。
×強化学習の応用（DQN、AlphaGo）と画像/言語タスクの取り違え。
関連する確認問題
大項目6 ディープラーニングの応用例 / 自然言語処理
入力した系列をいったん固定長のベクトルに符号化し、それを復号して別の系列を生成するEncoder-Decoder型のモデルで、機械翻訳などに用いられるものはどれか。
正解は「seq2seq」である。入力系列を固定長ベクトルに符号化し、それを復号して別の系列を生成するEncoder-Decoder型のモデルがseq2seqで、機械翻訳などに用いられる。形態素解析は分かち書き処理、word2vecは単語ベクトルの獲得、BERTは双方向の事前学習モデルであり、生成的な系列変換を主目的とはしない。4つの選択肢は「単語ベクトルの獲得」「文の分割」「双方向の事前学習」「系列から系列への生成」という異なる目的に分かれる。
大項目6 ディープラーニングの応用例 / 音声・強化学習
音声認識で、人間の聴覚特性を考慮した音声特徴量として古くから使われるものはどれか。
正解は「メル周波数ケプストラム係数」である。メル周波数ケプストラム係数は、音声信号から人間の聴覚特性を考慮した特徴を取り出す音声認識で使われる特徴量である。ViTとMask R-CNNは画像分野、seq2seqは系列変換モデルで自然言語処理などに使われ、音声特徴量そのものではない。 候補がモデルか特徴量かを分ける。ViTとMask R-CNNは画像モデル、seq2seqは系列から系列への変換モデルである。音声を短時間分析し、メル尺度のフィルタバンクとケプストラムで表すMFCCが音声認識の代表的特徴量である。
大項目6 ディープラーニングの応用例 / 音声・強化学習
直接は観測できない内部状態が確率的に遷移し、その状態から観測データが確率的に生成されると考える時系列モデルで、古くから音声認識などに用いられてきたものはどれか。
正解は隠れマルコフモデル（HMM）。直接観測できない状態が確率的に遷移し、各状態から観測値が確率的に出力されると仮定する時系列モデルで、ディープラーニング普及以前から音声認識などで広く使われてきた。word2vecは単語を分散表現に変換する手法、WaveNetは音声を高品質に合成する深層生成モデル、seq2seqは系列を別の系列に変換するEncoder-Decoder構成で、いずれも隠れた状態遷移を確率的に扱うHMMとは異なる。 時系列モデルの構造を照合する。seq2seqはEncoder-Decoderの系列変換、word2vecは単語埋め込み、WaveNetは音声波形生成である。隠れ状態のマルコフ遷移確率と観測出力確率を持つのは隠れマルコフモデルである。
同じ章で確認したい用語
到達チェック
- Seq2Seq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、Seq2Seq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）