G検定 用語解説
畳み込みニューラルネットワーク（CNN）とは
畳み込み層とプーリング層で画像などの特徴を抽出するネットワーク。
まず押さえる結論
畳み込みニューラルネットワーク（CNN）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。
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
CNNにおいて、特徴マップの縦横サイズを縮小して計算量を抑えつつ、対象の位置が多少ずれても出力が変化しにくい性質（位置不変性）を高める働きを主に担う層はどれか。
プーリング層は特徴マップを縮小（ダウンサンプリング）し、対象の位置ずれに対する頑健性（位置不変性）を高める。畳み込み層はフィルタで特徴を抽出する層、全結合層は抽出した特徴を統合して分類などに用いる層、出力層は最終的な予測値を出す層であり、いずれも空間サイズの縮小と位置不変性の付与を主目的とはしない。
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
生物の視覚野における単純型細胞と複雑型細胞の働きに着想を得て提案された、現在の畳み込みニューラルネットワークの原型とされる初期の階層型モデルはどれか。
ネオコグニトロンは視覚野の単純型細胞・複雑型細胞の階層構造に着想を得た初期モデルで、現在のCNNの原型とされる。LeNetは誤差逆伝播法で学習する初期のCNNだが、単純型・複雑型細胞に着想した原型モデルそのものではない。AlexNetはILSVRCで注目された深いCNN、ResNetは残差接続を導入したより新しいモデルであり、いずれも原型とは言えない。
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。
ストライドは畳み込みでフィルタをずらす際の移動幅で、値を大きくすると出力サイズが小さくなる。パディングは入力の周囲に画素を補う処理で出力サイズの調整に使い、フィルタ（カーネル）は特徴抽出に用いる重みのまとまり、プーリングは特徴マップを縮小する処理であり、いずれも移動幅そのものを指す語ではない。
同じ章で確認したい用語
到達チェック
- 畳み込みニューラルネットワーク（CNN）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、畳み込みニューラルネットワーク（CNN）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