畳み込みニューラルネットワーク

画像認識に特化したニューラルネットワーク。畳み込み層で画像の局所的な特徴を抽出し、プーリング層でデータを縮小する構造を持つ。CNNと略され、物体検出や画像分類に高い性能を示す。

畳み込み層とプーリング層を組み合わせた深層学習モデル。局所的な特徴をフィルタで抽出し、階層的に高次の特徴を学習する。画像認識、物体検出、セグメンテーションなどの画像処理タスクで高い性能を発揮する。

畳み込み層とプーリング層を交互に重ねて特徴を抽出し、最後に全結合層で分類などを行うニューラルネットワーク。局所的な結合と重みの共有により、少ないパラメータで画像の位置がずれても同じ特徴を捉えられる。画像認識、物体検出、医用画像の診断支援などで高い性能を示し、音声や時系列データにも応用される。

画像の局所的な特徴をフィルタで抽出する畳み込み層と、特徴を集約して位置のずれに強くするプーリング層を重ねたニューラルネットワーク。浅い層で輪郭などの単純な特徴を、深い層でより複雑な形の特徴を階層的に捉え、画像認識、物体検出、医療画像の診断支援などで高い性能を発揮する。

多数の中間層（隠れ層）を持つニューラルネットワークを用いた機械学習の手法。画像認識・音声認識・自然言語処理などで高い性能を発揮し、AIの発展を牽引している。

大量のデータを用いてモデルの基本的な知識や特徴抽出能力を事前に学習させる工程。この後にファインチューニングを行うことで、特定のタスクに適応させることができる。

事前学習済みモデルの重みを、特定のタスクに合わせて微調整する手法。少量のデータで効率的に高精度なモデルを構築でき、転移学習の代表的な方法である。

あるタスクで学習したモデルの知識を、別の関連するタスクに転用する手法。学習データが少ない場合でも高精度なモデルを構築でき、学習時間の短縮にもつながる。

時系列データや文章などの順序のあるデータの処理に適したディープラーニングのモデル。出力を次の入力にフィードバックする再帰構造を持ち、文章生成や音声認識などに利用される。

生成器（Generator）と識別器（Discriminator）の2つのネットワークを競わせて学習する生成モデル。生成器がリアルなデータを生成し、識別器がそれを見分ける過程で両者の性能が向上する。