生成AIパスポート 用語解説
LSTM（長・短期記憶）とは
RNN（回帰型ニューラルネットワーク）の一種で、必要な情報を長く保持したり不要な情報を忘れたりする仕組みを持ち、離れた要素間の関係も扱いやすくしたモデル。
まず押さえる結論
LSTM（長・短期記憶）は、生成AIパスポートの「第2章 生成AI（ジェネレーティブAI）」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: 2026-06-27。
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
×ハルシネーション・アライメント・ファインチューニングの取り違え。事実と異なるもっともらしい出力＝ハルシネーション、人間の意図に沿わせること＝アライメント、追加学習で調整＝ファインチューニング。
×GANとVAEの混同。GANは生成器と識別器を競わせる方式、VAEはエンコーダ・デコーダと潜在ベクトルを使う方式。
×Transformerの中核を畳み込みや位置エンコーディングと取り違える。中核は自己注意（Self-Attention）。
関連する確認問題
第2章 生成AI（ジェネレーティブAI） / 生成AIの誕生まで
2つのネットワークを競い合わせることで本物らしいデータを生成する、生成器と識別器から成るモデルはどれか。
正解は「GAN（敵対的生成ネットワーク）」である。GANは、データを作り出す生成器と、本物か偽物かを見分ける識別器という2つのネットワークを競わせて学習する生成モデルである。問題文の「2つのネットワークを競い合わせる」「生成器」「識別器」という条件は、GANの学習方式そのものを指している。RNN（回帰型ニューラルネットワーク）は時系列データを順に処理するモデル、LSTM（長・短期記憶）はRNNを改良して長期的な依存関係を記憶できるようにしたモデルで、いずれも系列処理が中心であり生成器と識別器という対立構造を持たない。VAE（変分自己符号化器）はエンコーダで潜在ベクトルへ圧縮し、デコーダで復元する単一の構造で学習する生成モデルであり、2つのネットワークを競わせる方式ではない。
第2章 生成AI（ジェネレーティブAI） / 生成AIの誕生まで
入力データをエンコーダで潜在ベクトルに圧縮し、デコーダで元のデータを復元するように学習する生成モデルはどれか。
正解は「VAE（変分自己符号化器）」である。VAEは、エンコーダで入力データを潜在ベクトルへ圧縮し、デコーダでそこから元のデータに近い形を復元するように学習する生成モデルである。問題文の「エンコーダで潜在ベクトルに圧縮」「デコーダで元のデータを復元」という2条件は、VAEの構造そのものを指している。LSTM（長・短期記憶）は長期的な依存関係を記憶しながら系列データを処理するモデル、Transformerモデルは自己注意力を中核として入力全体の関係性を扱うモデル、GAN（敵対的生成ネットワーク）は生成器と識別器という2つのネットワークを競わせる方式であり、いずれも潜在ベクトルを介した圧縮と復元を主な学習目的とする構造ではない。
第2章 生成AI（ジェネレーティブAI） / 生成AIの誕生まで
系列データ（シーケンスデータ）を扱うニューラルネットワークのうち、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はどれか。
正解は「LSTM（長・短期記憶）」である。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が、長・短期記憶と呼ばれるLSTM（長・短期記憶）である。CNN（畳み込みニューラルネットワーク）は畳み込みで画像の局所特徴を扱うモデル、ボルツマンマシンは初期の確率的な生成モデル、Transformerモデルは自己注意力を中核とするモデルであり、いずれも「RNNを改良し長い系列の情報を保持する」ためのモデルではない。CNNは画像処理向け、ボルツマンマシンは確率的な生成の仕組み、Transformerモデルは自己注意力中心のアーキテクチャという、RNNの改良とは異なる系統に属する点を見分け方にする。
同じ章で確認したい用語
到達チェック
- LSTM（長・短期記憶）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（長・短期記憶）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）