ディープラーニングの要素技術（G検定技術分野）

畳み込み層・回帰結合層・Attentionなど、ネットワークを組み立てる部品を扱います。

中項目

ほかの3項目

概要

この分野で扱うこと

前の分野で学んだ学習の仕組みの上に、モデルを組み立てる「部品」を学ぶ分野です。中項目が9つあり、扱うデータや目的でまとめると見通しがよくなります。

まとまり	中項目	主な役割
基本の層	全結合層	多くのモデルの土台
画像向けの層	畳み込み層、プーリング層	画像の特徴を取り出す
深くするための工夫	正規化層、スキップ結合	学習を安定させる
主に系列データ向け	回帰結合層、Attention	文章・音声・時系列を扱う
データを生かす工夫	オートエンコーダ、データ拡張	特徴の圧縮と生成、学習データの水増し

学ぶ順番

まず、全結合層、畳み込み層、プーリング層、正規化層、スキップ結合の順に、画像を扱うCNNを組み立てる流れで読みます。次に、回帰結合層からAttentionへ進み、系列データの処理がRNNからTransformerへ移った流れを追います。オートエンコーダとデータ拡張は最後で構いません。

つまずきやすいところ

畳み込み層では出力サイズやパラメータ数の計算、正規化層では平均と分散をどの範囲でとるかが、理解の分かれ目になります。どちらも、小さな数値の例を自分で1つ計算してみると定着します。Attentionはクエリ・キー・バリューの役割が抽象的なので、辞書を引く操作にたとえて理解します。ここで学ぶ部品は、次の分野「ディープラーニングの応用例」に出てくるモデル名を読み解く手がかりになります。

つまずきやすい点

最大値プーリングや平均値プーリングには学習で調整する重みがなく、畳み込み層はフィルタの重みを学習する点
バッチ正規化はミニバッチ内の複数のデータにまたがってチャンネルごとに、レイヤー正規化は1つのデータの中で、平均と分散を計算する点
スキップ結合は層を飛ばして入力を出力に足す仕組みで、層を深くしても勾配が伝わりやすくなり、ResNetの中心となる仕組みである点
Transformerは回帰結合層を使わずAttentionで系列を処理するため、語順の情報を位置エンコーディングで加える必要がある点

この分野の用語50語

重み、活性化関数、全結合層、カーネル（畳み込み）、CNN、ストライド、Dilated Convolution、Depthwise Separable Convolution、特徴マップ、ニューラルネットワーク、パディング、インスタンス正規化、グループ正規化、バッチ正規化、レイヤー正規化、グローバルアベレージプーリング、最大値プーリング、不変性の獲得、平均値プーリング、ResNet、RNN、LSTM、エルマンネットワーク、教師強制、ゲート機構、勾配消失問題、勾配爆発問題、GRU、時系列データ、ジョルダンネットワーク、双方向RNN、BPTT、Attention、位置エンコーディング、Seq2Seq、Self-Attention、Source-Target Attention、Transformer、Multi-Head Attention、オートエンコーダ、次元削減、VAE、Cutout、CutMix、データ拡張、noising、paraphrasing、Mixup、Random Erasing、RandAugment

混同しやすい用語の比較

ほかの2件

出題の目安約21問

全145問のうち、約21問前後と当サイトで推計しています。幅をもたせると約17〜22問（全体の12〜15%）です。分野別の出題数は公表されていません。

全体の問題数「145問程度」の出典：JDLAのFAQ 最終確認日：2026年10月30日

AIで作成人による確認：未誤りを報告

出典と作成について

作成：ウカトレ編集部（AIで作成し、別のAIが一次資料と照合。手順は編集方針）

最終更新日：2026年10月30日最終確認日：2026年10月30日

出典

G検定試験出題範囲（シラバス2024）第1.4版（技術分野ディープラーニングの要素技術（項目17〜25））2026年10月30日閲覧
Yann LeCun, Léon Bottou, Yoshua Bengio, Patrick Haffner, Gradient-Based Learning Applied to Document Recognition, Proceedings of the IEEE 86(11), 2278–2324 (1998)2026年10月30日閲覧
Sergey Ioffe, Christian Szegedy, Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift (2015)2026年10月30日閲覧
Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun, Deep Residual Learning for Image Recognition (2015)2026年10月30日閲覧
Ashish Vaswani et al., Attention Is All You Need (2017)2026年10月30日閲覧

改訂履歴

すべての分野