G検定 用語解説
次元の呪いとは
データの次元（変数の数）が増えるほどデータが疎になり、必要なデータ量が指数的に増える、モデルの学習や汎化が難しくなるといった問題が生じる現象。次元削減は、この次元の呪いを緩和するために用いられる代表的な対策の一つ。
まず押さえる結論
次元の呪いは、G検定の「大項目2 人工知能をめぐる動向」に出てくる用語です。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: 2026-10-02。
試験概要（公式）比較記事でさらに確認する
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
「大項目2 人工知能をめぐる動向」の問題で、取り違えやすい組み合わせです。
- 各AIブームと、その中心になった技術の組み合わせの取り違え。第一次＝探索・推論、第二次＝エキスパートシステム、第三次＝ディープラーニング。
- フレーム問題とシンボルグラウンディング問題の混同。フレーム問題は『起こりうる事柄をすべて考慮しきれない』問題、シンボルグラウンディング問題は『記号と実世界の意味を結びつけられない』問題。
- 知識獲得のボトルネック（専門知識をルール化する作業の困難さ）をエキスパートシステムの利点と取り違える。
関連する確認問題
大項目2 人工知能をめぐる動向 / AIブームと機械学習の発展
特徴量の数（次元）が増えるほど、データが空間の中で疎になり、学習に必要なデータの量が急激に増える問題はどれか。
特徴量の数が増えるほどデータが疎になって学習が難しくなる問題を答える。正解は「次元の呪い」である。次元の呪いは、特徴量の数（次元）が増えるにつれて、データが空間の中で疎になり、学習に必要なデータの量が急激に増える問題を指す。「ビッグデータ」はデータの集まりの名称、「特徴量」は予測の手がかりとなる変数で、問題の原因となる要素にあたる。「データマイニング」は知見を取り出す手法であり、いずれも問題の名称ではない。したがって、設問の問題は次元の呪いである。
大項目2 人工知能をめぐる動向 / AIブームと機械学習の発展
迷惑メール判定で使う単語の出現回数や、画像認識で使う輪郭・色など、機械学習モデルが予測の手がかりとして扱うデータの性質や変数を何というか。
正解は「特徴量」である。特徴量は、機械学習モデルが分類や予測の手がかりとして扱う、対象から取り出した性質や数値化された変数を指す。単語の出現回数や画像の輪郭・色はその具体例である。ビッグデータは量や種類などの面で大規模なデータの集まりを指し、個々の予測入力となる性質の名称ではない。次元の呪いは特徴量が増えすぎることで必要なデータ量が急増し、距離や密度の意味が薄れやすくなる問題である。データマイニングは大量データから規則性や傾向を見つける活動全般である。モデルへ渡す判断材料という役割から特徴量を選ぶ。
大項目2 人工知能をめぐる動向 / AIブームと機械学習の発展
量が膨大で、種類も多く、生成される速度も速いために、従来の方法では扱いにくいデータの集まりを指す用語はどれか。
量、種類、速度の3つの面で従来の方法では扱いにくいデータの集まりを指すので、データの集まりそのものの名称が問われている。正解は「ビッグデータ」である。ビッグデータは、量が膨大で、種類も多く、生成される速度も速いデータの集まりを指し、機械学習が発展する背景の1つになった。「特徴量」は予測の手がかりとなる変数、「データマイニング」は大量のデータから知見を取り出す手法、「次元の呪い」は特徴量が増えるほどデータが疎になる問題であり、いずれもデータの集まりそのものを指す用語ではない。したがって、設問の用語はビッグデータである。
同じ章で確認したい用語
他資格でも出題される用語
到達チェック
- 次元の呪い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、次元の呪い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）