畳み込みニューラルネットワーク

画像認識に特化したディープラーニングのモデル。畳み込み層とプーリング層を組み合わせて画像の局所的な特徴を抽出し、画像分類・物体検出・顔認識などに高い精度を発揮する。

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。

生物の神経回路を模倣した計算モデル。入力層、隠れ層、出力層からなり、各ノード間の重みをバックプロパゲーション（誤差逆伝播法）で学習する。多層化（ディープラーニング）により複雑なパターン認識が可能。

ニューラルネットワークの学習アルゴリズム。出力層から入力層に向かって誤差を逆伝播し、連鎖律（チェインルール）を用いて各重みに対する損失関数の勾配を効率的に計算する。勾配降下法と組み合わせて重みを更新。

ニューラルネットワークの各ノードの出力に適用される非線形関数。ReLU（Rectified Linear Unit）、シグモイド関数、tanh関数、ソフトマックス関数などがある。非線形性を導入することで複雑な関数の近似を可能にする。

時系列データを処理するための深層学習モデル。隠れ状態を次の時刻に引き継ぐ再帰的構造を持ち、可変長の系列データを扱える。長期依存性の学習が困難な勾配消失問題があり、LSTMやGRUで改善される。

RNNの勾配消失問題を解決するために設計されたセルアーキテクチャ。入力ゲート、忘却ゲート、出力ゲートにより長期的な依存関係を学習できる。自然言語処理、音声認識、時系列予測で広く使用される。

自己注意（Self-Attention）機構を中心としたニューラルネットワークアーキテクチャ。RNNと異なり並列処理が可能で、長距離の依存関係を効率的に捉えられる。GPT、BERTなどの大規模言語モデルの基盤技術。