生成AIパスポート 用語解説
正則化とは
モデルが複雑になりすぎないよう制約（ペナルティ）を加え、過学習を抑えることを狙う手法の総称。
まず押さえる結論
正則化は、生成AIパスポートの「第1章 AI（人工知能）」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: 2026-08-31。
公式シラバス（PDF）（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
×教師あり学習・教師なし学習・強化学習の取り違え。クラスタリングや次元削減は「教師なし」、分類や回帰は「教師あり」、報酬を手がかりに学ぶのが「強化学習」。
×弱いAI（ANI）と強いAI（AGI）の混同。特定の課題に特化するのが弱いAI、人間のように幅広い課題へ汎用的に対応できるとされるのが強いAI。
×AIブームと中心技術の対応ずれ。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とビッグデータ。
関連する確認問題
第1章 AI（人工知能） / AIに知能をもたらす仕組み
モデルの汎化性能を上げるため、訓練中だけネットワークのユニットをランダムに省く。この方法の説明はどれか。
この事例では「共適応を抑えるため一部ユニットを一時的に除外するか」を確認すると、ドロップアウトとは、モデルが複雑になりすぎないように制約（ペナルティ）を加え、過学習を抑えることを狙う手法の総称であるに絞れる。正解は「ドロップアウトとは、モデルが複雑になりすぎないように制約（ペナルティ）を加え、過学習を抑えることを狙う手法の総称である」（誤り）である。ドロップアウトはニューラルネットワークの学習時に一部のノードを無効化し、過学習を抑える手法であり、設問の説明は正則化の定義をドロップアウトに誤って当てはめている。過学習・転移学習・正則化の説明はいずれも正しい。過学習を抑える手法にはドロップアウトや正則化など複数のアプローチがあり、それぞれ抑制の仕組みが異なる点に注意が必要である。
第1章 AI（人工知能） / AIに知能をもたらす仕組み
200個の入力ユニットへrate=0.25のDropout層を適用する。学習時の1ステップで0に設定されるユニット数の期待値と、推論時の動作の組合せとして正しいものはどれか。
正解は「学習時は期待上50個を0にし、推論時はDropoutを適用しない」です。rate=0.25は学習時の各ステップで入力ユニットを0へ設定する頻度なので、200×0.25＝50個が期待値となり、残る期待数は150個である。実際に落ちるユニットはステップごとにランダムで、常に同じ50個へ固定されるわけではない。0にしなかった入力は1/(1-0.25)倍に調整され、入力全体の期待和を保つ。推論時はDropoutを適用せず全ユニットを使う。150個を落とす選択肢は残存率とdrop率を逆にし、推論時だけ落とす説明も学習時の正則化という役割を反転している。
第1章 AI（人工知能） / AIに知能をもたらす仕組み
重みが2、-1、0.5のモデルにL2正則化を用いる。複雑度を各重みの二乗和で求めるといくつか。
正解は「5.25」です。L2正則化で用いる複雑度は各重みの二乗和なので、2²+(-1)²+0.5²＝4+1+0.25＝5.25となる。負の重み-1も二乗すると正の1として加わる。2.25は重みをそのまま足した2-1+0.5＝1.5を二乗した値であり、各重みを個別に二乗してから足していない。3.50は重みの絶対値の和2+1+0.5で、L1型の計算に相当する。12.25は絶対値の和3.5をさらに二乗した値である。L2正則化は大きい重みほど二乗による寄与を大きくし、モデルの複雑さへペナルティを与えて過学習を抑える方向へ働く。
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
- 正則化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、正則化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）