G検定 用語検索

人工知能(AI)

人の知的な判断・認識・生成などを機械で実現する技術全般。

汎用AI(AGI)

幅広い課題を人間のようにこなすAI。現在の主流はまだ特化型。

特化型AI

翻訳・画像認識など、特定タスクに強いAI。実用AIの大半。

強いAI

意識や理解を持つと考えるAI。哲学的・未実現の概念。

弱いAI

知能らしい振る舞いをする道具としてのAI。実用上はこちら。

チューリングテスト

（1950）会話相手が人間か機械か判別できなければ知的とみなす試験。

中国語の部屋

記号操作だけで本当に理解していると言えるかを問う思考実験。

ダートマス会議

（1956）AI研究が独立分野として始まった象徴的会議。

ELIZA

（1966）初期の対話プログラム。理解ではなくパターン応答の代表例。

SHRDLU

（1968〜1970）WinogradがMITで開発。積み木世界で命令理解・質問応答を行った初期自然言語理解AI。

エキスパートシステム

専門家の知識をルール化して推論するAI。第2次ブームの中心。

DENDRAL

（1965頃）化学分析の専門家システム。知識ベースAIの成功例。

MYCIN

（1972頃）感染症診断を支援した専門家システム。医療AIの古典例。

第一次AIブーム

（1950年代後半〜1960年代）探索・推論が中心。限定問題で成果。

第二次AIブーム

（1980年代）知識表現・エキスパートシステムが中心。知識入力が壁。

第三次AIブーム

（2010年代〜）機械学習・深層学習が中心。大量データとGPUで発展。

フレーム問題

関係ある情報だけを選ぶのが難しい問題。現実世界で効く。

シンボルグラウンディング問題

記号と現実の意味をどう結びつけるかという問題。

知識獲得のボトルネック

専門家の知識を人手でルール化する手間が限界になること。

トイプロブレム

限定された簡単な問題。実世界では通用しないことが多い。

身体性

身体を通じた環境との相互作用が知能に重要という考え。

ローブナーコンテスト

（1991開始）チューリングテスト型の会話AIコンテスト。

探索

候補の中から解を探す方法。迷路・ゲーム木でよく出る。

状態空間

取りうる状態をノードとして並べた探索対象の世界。

木構造

親子関係で分岐するデータ構造。探索問題の基本表現。

幅優先探索

浅い階層から順に調べる。最短解に強いがメモリを使う。

深さ優先探索

一方向に深く調べる。メモリ少なめだが遠回りしやすい。

ヒューリスティック探索

経験則を使って有望な経路を優先する探索。

A*(Aスター)

（1968）現在コスト＋推定残りコストで最短経路を効率よく探す探索。

ミニマックス法

相手も最善を選ぶ前提で、最悪ケースを最良にするゲーム探索。

αβ法

ミニマックスで不要な枝を切る高速化手法。

モンテカルロ木探索

（2006頃）ランダム試行の結果で有望な手を選ぶ探索。囲碁AIで有名。

推論

既知の知識から新しい結論を導くこと。

演繹推論

一般ルールから個別結論を出す。必ず正しい形の推論。

帰納推論

個別事例から一般法則を推測する。機械学習に近い。

アブダクション

結果から最もありそうな原因を推測する。仮説形成。

プロダクションシステム

IF-THENルールで知識と行動を表す仕組み。

セマンティックネットワーク

概念同士をノードとリンクで表す知識表現。

フレーム

対象の属性をスロットに整理する知識表現。

オントロジー

概念・関係・階層を明確に定義した知識体系。

知識グラフ

事物と関係をグラフで表した知識ベース。検索・RAGにも使う。

RDF

主語・述語・目的語の三つ組で知識を表す形式。

ルールベース

人が作った規則で判断する方式。説明しやすいが柔軟性に弱い。

ファジィ理論

（1965）真偽を0/1でなく度合いで扱う。あいまいさの表現に使う。

機械学習

データからパターンを学び、未知データを予測・分類する方法。

教師あり学習

正解ラベル付きデータで入力から出力を学ぶ。分類・回帰。

教師なし学習

正解ラベルなしで構造やまとまりを見つける。クラスタリングなど。

半教師あり学習

少量のラベル付き＋大量のラベルなしデータで学ぶ。

自己教師あり学習

データ自身から擬似的な正解を作って表現を学ぶ。LLMで重要。

強化学習

報酬が最大になる行動を試行錯誤で学ぶ。ゲーム・制御。

特徴量

モデルに入力する説明材料。表形式なら列、画像なら画素・表現。

特徴量エンジニアリング

予測しやすい入力特徴を人が設計・加工すること。

目的変数

予測したい値・ラベル。教師あり学習の正解。

説明変数

予測に使う入力情報。特徴量とほぼ同じ意味で使う。

訓練データ

モデルの重みや規則を学習するためのデータ。

検証データ

モデル選択やハイパーパラメータ調整に使うデータ。

テストデータ

最後に汎化性能を確認する未使用データ。

ホールドアウト法

データを訓練・検証・テストなどに一度だけ分ける方法。

交差検証

分割を入れ替えて複数回評価し、性能を安定して見積もる方法。

k分割交差検証

データをk個に分け、1つを検証・残りを訓練にしてk回評価。

過学習

訓練データに合わせすぎて未知データに弱くなる状態。

未学習

モデルが単純すぎる・学習不足で訓練データにも合わない状態。

汎化性能

未知データに対してどれだけ正しく働くか。試験で超重要。

バイアス・バリアンス

単純すぎる誤差と複雑すぎるブレのトレードオフ。

正則化

モデルを複雑にしすぎない制約。過学習対策。

L1正則化

重みを0にしやすい正則化。特徴選択の効果がある。

L2正則化

大きな重みを抑える正則化。なめらかに過学習を防ぐ。

ハイパーパラメータ

学習前に人が決める設定。学習率・木の深さなど。

グリッドサーチ

候補値の全組み合わせを試す調整方法。単純だが重い。

ランダムサーチ

候補をランダムに試す。広い探索に強いことがある。

ベイズ最適化

過去の試行結果から有望な設定を賢く探す調整方法。

データリーケージ

本来使えない未来・正解情報が学習に混入すること。評価が水増しされる。

データクレンジング

欠損・重複・表記ゆれなどを直し、学習可能な状態にすること。

欠損値補完

空欄を平均値・中央値・モデルなどで埋める処理。

外れ値

通常範囲から大きく外れた値。異常かノイズか見極める。

標準化

平均0・分散1にそろえる。距離や勾配を使う手法で重要。

正規化

値の範囲を0〜1などにそろえる。スケール差を抑える。

ワンホットエンコーディング

カテゴリを0/1の複数列に変換する方法。

ラベルエンコーディング

カテゴリを整数に変換する方法。順序の誤解に注意。

次元削減

情報を保ちつつ特徴量数を減らす。可視化・ノイズ低減。

PCA(主成分分析)

分散が大きい方向に軸を取り直す線形の次元削減。

t-SNE

近い点を近く見せる非線形可視化。大域構造の解釈は注意。

UMAP

高次元データを低次元に可視化する非線形手法。t-SNEより高速なことが多い。

クラス不均衡

あるラベルだけ極端に多い状態。正解率だけでは危険。

オーバーサンプリング

少数クラスを増やしてバランスを取る方法。

アンダーサンプリング

多数クラスを減らしてバランスを取る方法。

SMOTE

少数クラスの人工データを作るオーバーサンプリング。

混同行列

TP/FP/FN/TNで分類結果を整理する表。評価指標の元。

正解率

全体のうち正しく予測した割合。不均衡データでは過信注意。

適合率

陽性と予測した中で本当に陽性の割合。誤検知を抑えたい時。

再現率

実際の陽性をどれだけ拾えたか。見逃しを避けたい時。

F値

適合率と再現率の調和平均。両方のバランスを見る。

ROC曲線

閾値を動かし、真陽性率と偽陽性率の関係を見る曲線。

AUC

ROC曲線の面積。1に近いほど分類性能が高い。

PR曲線

適合率と再現率の関係。不均衡データで有用。

MAE

絶対誤差の平均。外れ値の影響が比較的小さい。

MSE

二乗誤差の平均。大きな誤差を強く罰する。

RMSE

MSEの平方根。目的変数と同じ単位で誤差を見られる。

決定係数

回帰でどれだけ分散を説明できたか。1に近いほど良い。

交差エントロピー

分類でよく使う損失。正解クラスの確率が低いほど大きい。

尤度

観測データがそのモデルから出るもっともらしさ。

最尤推定

データが最も起こりやすくなるパラメータを選ぶ方法。

MAP推定

事前分布も考慮して最もありそうなパラメータを選ぶ方法。

ベイズ推定

事前知識とデータを合わせ、確率として不確実性を扱う推定。

線形回帰

入力の線形結合で連続値を予測する基本的な回帰手法。

重回帰

複数の説明変数を使う線形回帰。

ロジスティック回帰

確率を出して分類する線形モデル。名前は回帰だが分類で使う。

多クラス分類

3種類以上のクラスに分類する問題。softmaxなどを使う。

k近傍法

近いk個のデータの多数決・平均で予測する単純手法。

決定木

条件分岐を木で表すモデル。解釈しやすいが過学習しやすい。

ランダムフォレスト

複数の決定木を平均・多数決する。安定性が高い。

勾配ブースティング

弱い木を順に追加し、前の誤りを補正して性能を上げる。

XGBoost

勾配ブースティングの高速・高性能な実装。表形式で強い。

LightGBM

高速な勾配ブースティング実装。大規模表データでよく使う。

AdaBoost

誤分類したデータを重視して弱学習器を追加するブースティング。

SVM

境界の余白を最大化して分類する手法。小〜中規模で強い。

カーネルトリック

高次元に写したように扱い、非線形境界を作る工夫。

ナイーブベイズ

特徴量が独立と仮定する確率分類器。単純だがテキストで強い。

k-means

データをk個の中心に近い群へ分けるクラスタリング。

階層的クラスタリング

近いものから順にまとめ、樹形図でクラスタを表す。

DBSCAN

密度が高い領域をクラスタとする。外れ値も検出しやすい。

混合ガウスモデル

複数の正規分布が混ざったものとしてデータを表す。

EMアルゴリズム

隠れた割当を推定しながらパラメータを交互に更新する方法。

アソシエーション分析

一緒に起きやすい組み合わせを見つける。買い物かご分析。

Apriori

頻出アイテム集合を段階的に見つけるアソシエーション分析手法。

協調フィルタリング

似たユーザー・似た商品から推薦する方法。

内容ベース推薦

商品の特徴やユーザー嗜好から似たものを推薦する方法。

異常検知

通常パターンから外れたデータを見つけるタスク。

One-Class SVM

正常データの境界を学び、外側を異常とみなす手法。

エージェント

強化学習で行動を選ぶ主体。

環境

エージェントが行動し、状態と報酬を返す外界。

状態

現在の状況を表す情報。強化学習の入力。

行動

エージェントが選ぶ操作。報酬や次状態を変える。

報酬

行動の良し悪しを数値で示す信号。最大化の対象。

価値関数

ある状態・行動から将来どれだけ報酬が期待できるか。

方策

状態から行動を選ぶルール。強化学習の学習対象。

Q学習

状態・行動価値Qを更新する代表的な強化学習手法。

SARSA

実際に選んだ次行動を使ってQ値を更新する手法。

DQN

Q学習にディープニューラルネットを使った手法。

方策勾配法

方策を直接改善する強化学習手法。連続行動にも向く。

Actor-Critic

方策を選ぶActorと価値を評価するCriticを併用する手法。

探索と活用

新しい行動を試すか、既知の良い行動を使うかのバランス。

ε-greedy

一定確率εでランダム行動、それ以外は最善行動を選ぶ。

ニューラルネットワーク

多数の重み付き接続で入力から出力を学ぶモデル。

パーセプトロン

（1958）入力に重みを掛けてしきい値で分類する単純な神経モデル。

多層パーセプトロン

複数の層を持つニューラルネット。非線形問題を扱える。

隠れ層

入力層と出力層の間にある特徴変換の層。

重み

入力の重要度を表す学習されるパラメータ。

バイアス

出力をずらす学習パラメータ。切片のような役割。

活性化関数

線形変換に非線形性を加える関数。深い表現に必須。

ステップ関数

閾値を超えたら1、超えなければ0。古典的活性化。

シグモイド関数

0〜1に圧縮する関数。勾配消失に注意。

tanh

-1〜1に圧縮する関数。シグモイドより中心が0。

ReLU

0以下を0、正をそのまま通す。現在の基本活性化。

Leaky ReLU

負側も少し通すReLU。死んだReLU対策。

softmax

複数クラスのスコアを確率分布に変換する関数。

損失関数

予測と正解のズレを数値化する関数。小さくする対象。

二乗和誤差

予測誤差を二乗して足す損失。回帰で使う。

交差エントロピー誤差

分類でよく使う損失。正解クラスの確率を高める。

誤差逆伝播法

（1986普及）出力誤差を後ろへ伝え、各層の重みを効率よく更新する。

勾配降下法

損失が下がる方向にパラメータを少しずつ更新する方法。

確率的勾配降下法

データの一部を使って勾配を更新する高速な学習法。

ミニバッチ学習

小さなデータ群ごとに更新する。SGDとバッチ学習の中間。

エポック

訓練データ全体を1周学習する単位。

バッチサイズ

1回の更新に使うデータ数。速度と安定性に影響。

学習率

1回の更新でどれだけ動かすか。大きすぎると発散、小さすぎると遅い。

モメンタム

過去の更新方向を利用して学習を加速・安定化する工夫。

AdaGrad

頻繁に更新されるパラメータの学習率を小さくする最適化。

RMSprop

AdaGradの学習率低下を緩和した最適化手法。

Adam

（2014）モメンタムと適応学習率を組み合わせた定番オプティマイザ。

勾配消失

深い層に勾配が届かず学習が進まない問題。

勾配爆発

勾配が大きくなりすぎて学習が不安定になる問題。

Xavier初期化

前後の層で分散が保たれるよう重みを初期化。tanh系で有効。

He初期化

ReLU系に向いた重み初期化。深いネットで安定しやすい。

ドロップアウト

（2012）学習時に一部ニューロンを無効化し、過学習を抑える。

バッチ正規化

（2015）ミニバッチ統計で層の出力を整え、学習を安定・高速化。

レイヤー正規化

特徴方向で正規化する。Transformerでよく使う。

早期終了

検証性能が悪化したら学習を止める過学習対策。

データ拡張

画像の反転・回転などで学習データを増やす工夫。

事前学習

大規模データで先に汎用表現を学ばせること。

転移学習

別タスクで学んだ知識を新しいタスクに活用すること。

ファインチューニング

事前学習済みモデルを目的タスク向けに追加学習すること。

蒸留

（2015頃普及）大きな教師モデルの知識を小さな生徒モデルに移す圧縮手法。

プルーニング

重要でない重みや接続を削ってモデルを軽くする。

量子化

重みや活性を低ビット化し、推論を軽くする。LLMでは4bit/8bitが重要。

スパース化

重みの多くを0にして計算量を減らす。

マルチタスク学習

複数タスクを同時に学び、共通表現を活用する方法。

CNN

畳み込みで局所特徴を捉えるネット。画像認識の定番。

畳み込み

小さなフィルタをずらしながら特徴を抽出する処理。

フィルタ

画像からエッジや模様などを抽出する小さな重み行列。

カーネル

畳み込みで使う小さな重み行列。フィルタとほぼ同義。

ストライド

フィルタを何画素ずつ動かすか。大きいほど出力は小さくなる。

パディング

入力の周囲に値を足し、端の情報や出力サイズを調整する。

特徴マップ

畳み込みで得られる特徴の出力画像。

プーリング

局所領域を要約してサイズを小さくする処理。

Max Pooling

領域内の最大値を取るプーリング。強い特徴を残す。

Global Average Pooling

各特徴マップ全体の平均を取り、パラメータを減らす。

全結合層

前層の全ユニットと接続する層。分類器の末尾で使われる。

1×1畳み込み

チャネル数を調整する畳み込み。計算削減や特徴混合に使う。

AlexNet

（2012）ImageNetで深層CNNの威力を示したモデル。GPU・ReLUが象徴。

VGG

（2014）小さな3×3畳み込みを深く積むCNN。シンプルで転移学習に多用。

Inception

（2014）複数サイズの畳み込みを並列し、特徴を多尺度で抽出する構造。

ResNet

（2015）スキップ結合で超深層化を可能にしたCNN。ILSVRC 2015で有名。

スキップ結合

層を飛び越えて入力を足す接続。勾配消失を緩和。

DenseNet

（2017）各層を密に接続し特徴再利用を高めるCNN。

RNN

（1980年代〜）系列データを隠れ状態で処理する再帰型ネットワーク。

BPTT

RNNを時間方向に展開して誤差逆伝播する方法。

LSTM

（1997）ゲートで長期依存を扱いやすくしたRNN。勾配消失対策。

GRU

（2014）LSTMを簡略化したゲート付きRNN。計算が軽め。

Seq2Seq

（2014）入力系列を出力系列へ変換するEncoder-Decoder型モデル。翻訳で有名。

Attention

（2014頃）必要な入力部分に重みを置く仕組み。翻訳性能を大きく改善。

Self-Attention

同じ系列内の単語同士の関係を重み付けする仕組み。

Transformer

（2017）Attention中心でRNNを使わない系列モデル。LLMの基盤。

Encoder

入力を特徴表現に変換する部分。BERT系で中心。

Decoder

表現から出力系列を生成する部分。GPT系で中心。

位置エンコーディング

Transformerに順序情報を与える仕組み。

マルチヘッドアテンション

複数のAttentionで異なる関係を同時に見る仕組み。

オートエンコーダ

入力を圧縮して復元するネット。特徴抽出・異常検知に使う。

VAE

（2013）潜在変数から生成する確率的オートエンコーダ。

GAN

（2014）生成器と識別器を競わせる生成モデル。高精細画像生成の起点。

DCGAN

（2015）GANにCNNを組み合わせ、画像生成を安定させた代表例。

StyleGAN

（2018）スタイル制御で高品質な顔画像生成を実現したGAN系列。

拡散モデル

（2015提案、2020年代普及）ノイズ除去を学んで画像などを生成するモデル。

U-Net

（2015）Encoder-Decoderとスキップ結合で医用画像分割に強い構造。

正規化層

分布を整えて学習を安定させる層。BatchNormやLayerNorm。

画像分類

画像全体が何のクラスかを判定するタスク。

物体検出

画像内の物体の位置と種類を同時に当てるタスク。

セマンティックセグメンテーション

画素ごとにクラスを分類する。個体の区別はしない。

インスタンスセグメンテーション

画素分類に加え、同じクラスの個体も区別する。

YOLO

高速な物体検出モデル。一度に位置とクラスを予測。

SSD

複数スケールで一段階検出する物体検出手法。

Faster R-CNN

（2015）RPNで候補領域も学習し、高精度な物体検出を実現。

OCR

画像中の文字を読み取る技術。帳票処理などで使う。

姿勢推定

人の関節位置を検出してポーズを推定するタスク。

顔認識

顔画像から人物を識別・照合する技術。プライバシー注意。

自然言語処理

文章や音声言語をコンピュータで扱う技術全般。

形態素解析

日本語文を意味を持つ最小単位に分ける処理。

分かち書き

文章を単語単位に区切ること。日本語NLPの前処理。

Word2Vec

（2013）単語を意味が近いほど近いベクトルにする代表的手法。

GloVe

（2014）共起統計から単語ベクトルを学習する手法。

fastText

（2016）サブワードを使い、未知語や形態変化に強い単語表現。

BERT

（2018）双方向Transformerで文脈表現を事前学習する代表モデル。

GPT

（2018〜）次トークン予測で文章生成するTransformer系列モデル。

LLM

巨大なデータとパラメータで学習した大規模言語モデル。

基盤モデル

多用途に転用できる大規模事前学習モデル。生成AIの土台。

生成AI

テキスト・画像・音声など新しいコンテンツを作るAI。

トークン

モデルが扱う文字列の単位。単語・部分語・文字など。

トークナイザー

文章をトークンに分け、IDへ変換する仕組み。

埋め込み

単語・文・画像などを数値ベクトルで表すこと。

ベクトル検索

意味ベクトルの近さで検索する方法。RAGの基盤。

RAG

検索で外部知識を取り出し、生成モデルに回答させる方式。

プロンプトエンジニアリング

モデルから望む出力を得るため入力文を設計する技術。

Chain of Thought

途中の推論ステップを使って複雑な問題を解かせる考え方。

ハルシネーション

AIがもっともらしい誤情報を生成する現象。

RLHF

人間の好みを報酬にしてモデルを調整する手法。

Few-shot Learning

少数例をプロンプトや学習に与えて対応させる方法。

Zero-shot Learning

例なしで新しいタスクに対応する能力・方法。

In-context Learning

重み更新なしに、入力内の例からその場で振る舞いを変えること。

マルチモーダルAI

テキスト・画像・音声など複数形式を扱うAI。

CLIP

（2021）画像とテキストを同じ空間に対応づけるマルチモーダルモデル。

DALL·E

（2021）テキストから画像を生成するOpenAIの生成AI系列。

Stable Diffusion

（2022）潜在拡散モデルを使う画像生成AI。ローカル実行でも普及。

音声認識

音声をテキストに変換する技術。

音声合成

テキストから音声を生成する技術。

MFCC

音声特徴量の代表。人の聴覚に近い周波数表現を使う。

スペクトログラム

音声の周波数成分を時間ごとに画像のように表したもの。

AlphaGo

（2016）DeepMindの囲碁AI。プロ棋士李世ドルに勝利して話題に。

モデル解釈性

モデルの判断理由を人が理解できる度合い。

XAI

説明可能なAI。判断根拠を示し信頼性を高める考え方。

LIME

局所的に単純なモデルで予測理由を近似説明する手法。

SHAP

特徴量ごとの寄与度をゲーム理論的に説明する手法。

Grad-CAM

CNNが画像のどこを見て判断したかをヒートマップで示す手法。

スカラー

1つの数値。ベクトルや行列と対比して覚える。

ベクトル

複数の数を並べたもの。特徴量や埋め込みの表現。

行列

数値を縦横に並べたもの。線形変換や重み表現に使う。

テンソル

多次元配列。DLでは入力・重み・出力を一般にテンソルで扱う。

内積

2つのベクトルの向きの近さや射影を表す計算。

ノルム

ベクトルの大きさ。距離や正則化で使う。

微分

関数の変化率を求めること。最適化の基本。

偏微分

多変数関数を1つの変数だけで微分すること。

勾配

各変数の偏微分を並べたベクトル。損失を下げる方向に使う。

連鎖律

合成関数の微分ルール。誤差逆伝播法の土台。

確率

事象が起きる度合い。0〜1で表す。

条件付き確率

ある事象が起きた条件下で別事象が起きる確率。

ベイズの定理

事前確率を観測データで更新する公式。

期待値

確率で重み付けした平均。長期的な平均値。

分散

データのばらつきの大きさ。平均との差の二乗平均。

標準偏差

分散の平方根。元データと同じ単位でばらつきを見る。

共分散

2つの変数が一緒に増減する度合い。

相関係数

2変数の線形関係の強さ。-1〜1で表す。

正規分布

平均付近が多く左右対称な釣鐘型分布。

標準正規分布

平均0・分散1の正規分布。

ベルヌーイ分布

0/1の一回試行を表す分布。

二項分布

0/1試行を複数回行った成功回数の分布。

ポアソン分布

一定期間内の発生回数を表す分布。

仮説検定

仮説がデータと矛盾するかを確率的に判断する手続き。

p値

帰無仮説の下で観測以上に極端な結果が出る確率。

信頼区間

母数が含まれそうな範囲を確率的手続きで示す。

母集団

知りたい対象全体。

標本

母集団から取り出した一部のデータ。

サンプリングバイアス

標本の取り方が偏り、母集団を代表しないこと。

中心極限定理

標本平均は標本数が大きいと正規分布に近づくという性質。

情報量

起こりにくい事象ほど大きい驚きとして測る量。

エントロピー

不確実性の大きさ。分類・情報理論で重要。

KLダイバージェンス

2つの確率分布の違いを測る指標。

クロスエントロピー

真の分布と予測分布のズレを測る損失。分類で頻出。

AIプロジェクト

課題設定・データ確認・PoC・本番化・運用までの一連の取り組み。

PoC

小さく試して実現可能性を確認する検証。成功しても本番とは別。

MLOps

機械学習モデルを継続的に開発・運用・監視する仕組み。

DevOps

開発と運用を連携し、継続的に改善・提供する考え方。

データパイプライン

データ収集から加工・学習・提供までの流れ。

ETL

抽出・変換・格納。分析用データを準備する処理。

アノテーション

データに正解ラベルや説明を付ける作業。品質が性能に直結。

教師データ

教師あり学習で使う入力と正解ラベルのセット。

データガバナンス

データの品質・権限・責任・利用ルールを管理すること。

モデル監視

本番モデルの性能低下や異常を継続的にチェックすること。

ドリフト

学習時と本番時でデータ分布や関係が変わること。性能低下の原因。

A/Bテスト

複数案を実ユーザーで比較し、効果差を検証する方法。

KPI

成果を測る重要指標。AI導入でも業務目標と結びつける。

API

システム同士が機能やデータを使うための接続口。

クラウドAI

クラウド上のAIサービスや計算資源を使う形態。

エッジAI

端末・現場機器側でAI推論する方式。低遅延・プライバシーに利点。

GPU

並列計算が得意な半導体。深層学習の学習・推論で重要。

TPU

Googleの機械学習向け専用プロセッサ。

CUDA

NVIDIA GPUで汎用計算を行うための基盤。

オンプレミス

自社内のサーバーでシステムを運用する形態。

スケーラビリティ

利用増加に合わせて処理能力を拡張できる性質。

敵対的サンプル

人には分かりにくい微小変化でAIを誤判定させる入力。

モデル反転攻撃

モデル出力から学習データの特徴を推測する攻撃。

メンバーシップ推論攻撃

あるデータが学習に使われたかを推測する攻撃。

データ匿名化

個人を識別できないようデータを加工すること。再識別に注意。

連合学習

データを各端末に置いたまま、モデル更新だけ共有して学習する。

個人情報保護法

（2003成立、2022改正施行など）日本の個人情報の取扱いルール。

個人情報

生存する個人を識別できる情報。氏名・顔画像など。

個人データ

個人情報データベース等を構成する個人情報。管理義務が強い。

要配慮個人情報

人種・病歴など、不当な差別につながり得る慎重情報。

匿名加工情報

個人を識別できず、復元できないよう加工した情報。

仮名加工情報

他情報と照合しないと個人を識別できないよう加工した情報。

著作権法

創作的表現を守る法律。AI学習・生成物では情報解析と類似性が論点。

著作物

思想・感情を創作的に表現したもの。単なるアイデアは対象外。

学習用データ

モデル学習に使うデータ。権利・同意・利用目的の確認が必要。

生成物の著作権

AI出力が著作物になるかは人の創作的関与などが論点。

特許法

発明を保護する法律。AI発明やAI利用発明が論点。

不正競争防止法

営業秘密や限定提供データの不正取得・使用を防ぐ法律。AIデータ契約で重要。

営業秘密

秘密管理性・有用性・非公知性を満たす事業上の情報。

限定提供データ

（2018改正で導入）限定提供される有用データを不正取得等から守る制度。

独占禁止法

市場競争を不当に妨げる行為を規制する法律。AI価格調整などに注意。

AI開発委託契約

AI開発を外部委託する契約。データ・成果物・責任範囲が重要。

AIサービス提供契約

AIサービス利用時の契約。品質保証・免責・利用制限を確認。

責任分界点

開発者・提供者・利用者の責任範囲の境界。契約で明確化。

成果物

契約で納品・利用許諾されるモデル、コード、データ、ドキュメント等。

準委任契約

作業の遂行を約束する契約。完成物の完成責任とは別。

請負契約

仕事の完成を約束する契約。成果物完成責任が重い。

AI倫理

AIを人や社会に害なく使うための価値・原則。

AIガバナンス

AIのリスクを管理し、責任ある開発・運用を行う仕組み。

プライバシー

個人の情報や私生活を不当に扱われない権利・利益。

公平性

特定属性に不当な不利益を与えないこと。バイアス検証が必要。

アカウンタビリティ

判断や運用について説明し責任を果たせること。

透明性

AIの目的・データ・仕組み・限界を見えるようにすること。

説明可能性

なぜその判断になったかを人が理解できるようにすること。

安全性

AIが人や社会に危害を与えないよう設計・運用すること。

セキュリティ

AIシステムやデータを攻撃・漏えいから守ること。

悪用

詐欺、監視、差別、偽情報などAIの不正・有害利用。

ディープフェイク

AIで作る偽画像・偽音声・偽動画。なりすましや偽情報に注意。

民主主義

AIによる偽情報・世論操作が選挙や社会的意思決定に与える影響。

環境負荷

AIの学習・推論による電力消費やCO2排出の問題。

労働政策

AIによる雇用・職務変化・スキル再教育への社会的対応。

人間中心AI

人の尊厳・権利・意思決定を中心に置くAI活用の考え方。

リスクベースアプローチ

リスクの大きさに応じて規制・管理の強さを変える考え方。

OECD AI原則

（2019採択）信頼できるAIの国際原則。人間中心・透明性など。

EU AI Act

（2024発効、2026本格適用）EUのAI規制法。リスク分類と義務が中心。

広島AIプロセス

（2023）G7で生成AIの国際的なルール形成を進めた枠組み。

AI事業者ガイドライン

（2024第1.0版、2026第1.2版）日本のAI事業者向け統一ガイドライン。

NIST AI RMF

（2023）米NISTのAIリスク管理フレームワーク。Govern/Map/Measure/Manage。

AI効果

AIだった技術も普及すると“ただの技術”に見える現象。

シンギュラリティ

AIが人間知能を超え、社会が大きく変わるとされる仮説的転換点。

AI冬の時代

期待先行の後、限界が見えて研究資金や関心が冷え込んだ時期。

ルールベース機械翻訳

文法ルールや辞書を人手で作り翻訳する古典的手法。例外に弱い。

統計的機械翻訳

大量の対訳データから単語対応を統計的に学ぶ翻訳方式。

ニューラル機械翻訳

ニューラルネットで文全体の意味を捉えて翻訳する方式。現在の主流。

プランニング

目標に到達する行動手順を自動で組み立てること。

STRIPS

行動の前提条件・効果を記述して計画を作る古典的プランニング手法。

探索木

候補手順を木の枝として表したもの。ゲーム・経路探索で使う。

ハノイの塔

探索・計画問題の古典例。ルールに従い円盤を移動するパズル。

ブルートフォース

全候補を力まかせに試す探索。単純だが組合せ爆発に弱い。

モンテカルロ法

乱数で多数試行し、確率的に近似解を得る方法。

Cycプロジェクト

（1984開始）常識知識を大規模に蓄積しようとした知識ベースAI。

is-a関係

“犬は動物”のような上位下位の分類関係。オントロジーで重要。

has-a関係

“車はエンジンを持つ”のような所有・属性関係。

part-of関係

“タイヤは車の一部”のような部分全体関係。

セマンティックWeb

Web情報に意味を付け、機械が理解・推論しやすくする構想。

データマイニング

大量データから有用なパターンや知識を発見する分析。

ウェブマイニング

Webページ・リンク・アクセスログから知識を抽出するデータマイニング。

東ロボくん

（2011〜2016頃）東大合格を目指した日本のAI研究プロジェクト。

Watson

（2011）IBMの質問応答AI。米クイズ番組Jeopardy!で人間王者に勝利。

コグニティブコンピューティング

人間の認知を支援する計算技術の総称。Watson文脈で出やすい。

インタビューシステム

対話で情報を聞き出すシステム。ELIZA系の文脈で出る。

回帰問題

連続値を予測する問題。売上・価格・温度などの予測。

分類問題

カテゴリを当てる問題。犬猫分類・不正検知など。

単回帰分析

説明変数1つで目的変数を予測する最も単純な回帰。

アンサンブル学習

複数モデルを組み合わせて予測を安定・高精度にする方法。

バギング

データを重複抽出し、複数モデルを並列学習して平均・多数決する。

ブースティング

弱いモデルを順番に追加し、前の誤りを補正して精度を上げる。

スタッキング

複数モデルの予測をさらに別モデルで統合するアンサンブル。

ブートストラップサンプリング

元データから重複ありで同じ件数をランダム抽出する方法。

マージン最大化

分類境界とデータ点の距離を最大化し、分類を安定させる考え方。

ハードマージン

誤分類を許さず完全分離するSVM設定。ノイズに弱い。

ソフトマージン

多少の誤分類を許して汎化を狙うSVM設定。実務向き。

決定境界

モデルがクラスを分ける境目。線・面・曲線になる。

次元の呪い

特徴量が増えすぎると必要データが爆増し、学習が難しくなる現象。

特徴選択

予測に役立つ特徴量だけを選び、過学習や計算量を抑える。

情報利得

分岐で不確実性がどれだけ減るか。決定木の分割基準。

ジニ不純度

ノード内のクラス混ざり具合。小さいほどきれいに分かれている。

剪定

決定木の不要な枝を切り、過学習を抑える処理。

OOB評価

バギングで抽出されなかったデータを使うランダムフォレストの評価。

マルチラベル分類

1データに複数ラベルが同時に付く分類。例：画像に犬＋屋外。

ランキング学習

検索結果や推薦順位を最適化するために順位を学習する手法。

コールドスタート問題

新規ユーザー・商品は履歴が少なく推薦精度が出にくい問題。

スパムフィルター

メール本文や送信元の特徴から迷惑メールを判定する応用例。

ビッグデータ

量・速度・多様性が大きく、従来手法だけでは扱いにくいデータ。

レコメンデーションエンジン

履歴や属性からユーザーに合う商品・記事を推薦する仕組み。

ARモデル

時系列の現在値を過去の自分の値から予測する自己回帰モデル。

VARモデル

複数時系列が互いの過去値に依存するとして予測するモデル。

混同行列のTP

正例を正例と当てた数。再現率・適合率の基礎。

混同行列のFP

負例を正例と誤判定した数。偽陽性。

混同行列のFN

正例を負例と誤判定した数。偽陰性。

混同行列のTN

負例を負例と当てた数。真陰性。

MDP

状態・行動・報酬・遷移確率で強化学習問題を表す枠組み。

マルコフ性

次状態が過去全体でなく現在状態だけに依存する性質。

ベルマン方程式

価値を“今の報酬＋将来価値”で再帰的に表す式。

割引率

将来報酬を現在価値にどれだけ反映するかの係数。

経験再生

過去経験をメモリから再利用してDQN学習を安定させる工夫。

ターゲットネットワーク

DQNで目標値を計算する別ネットワーク。学習を安定化。

Double DQN

行動選択と価値評価を分け、Q値の過大評価を抑えるDQN改良。

Dueling Network

状態価値と行動優位性を分けてQ値を学ぶDQN改良。

優先度付き経験再生

学習に重要な経験を優先的に再利用するDQNの工夫。

模倣学習

専門家の行動データを真似て方策を学ぶ強化学習系手法。

自己対戦

自分自身や過去モデルと対戦しながら強くなる学習方法。

オフライン強化学習

本番で試行せず、蓄積済みログから方策を学ぶ強化学習。

報酬成形

学習を速めるため、本来報酬に補助的な報酬を加える設計。

マルチエージェント強化学習

複数エージェントが協調・競争しながら学ぶ強化学習。

連続値制御

ロボット関節やハンドル角のような連続行動を扱う制御。

単純パーセプトロン

入力と出力だけの1層モデル。線形分離できる問題しか解けない。

入力層

データを受け取る最初の層。特徴量やトークンが入る。

出力層

分類確率や予測値など最終結果を出す層。

可視層

入力層・出力層のように外部から見える層。隠れ層と対比。

閾値

パーセプトロンで出力を切り替える境目の値。

XOR問題

単純パーセプトロンでは解けず、多層化の必要性を示した問題。

Dead ReLU

ReLUが常に0を出し、ニューロンが更新されなくなる問題。

GELU

Transformer系でよく使う滑らかな活性化関数。BERTなどで採用。

Swish

ReLUより滑らかで、入力にシグモイドを掛ける活性化関数。

L0正則化

非ゼロ重みの数に罰則をかける考え方。実用は近似が多い。

Weight Decay

重みを小さく保つ正則化。L2正則化と近い形で使われる。

勾配クリッピング

勾配が大きすぎる時に上限で切り、勾配爆発を抑える。

ウォームアップ

学習初期に学習率を徐々に上げ、学習を安定させる設定。

スケジューラ

学習率をエポックやステップに応じて変化させる仕組み。

Nesterovモメンタム

少し先の位置で勾配を見て更新するモメンタム改良。

勾配累積

小さなミニバッチの勾配を足し、大きなバッチ相当にする方法。

混合精度学習

FP16/BF16とFP32を使い分け、速度・メモリを改善する学習。

LeNet

（1998）手書き数字認識で有名な初期CNN。畳み込み＋プーリングの古典。

GoogLeNet

（2014）Inceptionモジュールで計算量を抑えた深いCNN。

ZFNet

（2013）AlexNetを改良し、ILSVRCで高成績を出したCNN。可視化でも有名。

MobileNet

（2017）Depthwise Separable Convolutionで軽量化したモバイル向けCNN。

EfficientNet

（2019）深さ・幅・解像度をバランス良く拡大する高効率CNN。

Depthwise Separable Convolution

空間方向とチャネル方向を分けて畳み込み、計算量を減らす。

R-CNN

（2014）候補領域ごとにCNN分類する物体検出手法。後続発展の起点。

Mask R-CNN

（2017）Faster R-CNNにマスク予測を足したインスタンス分割手法。

アンカーボックス

物体検出で候補矩形の基準となる事前定義ボックス。

IoU

予測枠と正解枠の重なり率。物体検出の評価で使う。

NMS

重複した検出枠をスコア順に間引く処理。

FCN

（2015）全結合を畳み込み化し、ピクセル単位のセグメンテーションを行う。

DeepLab

（2015〜）Atrous畳み込みなどで高精度なセマンティック分割を行う系列。

クエリ

Attentionで“何を探したいか”を表すベクトル。

キー

Attentionで照合される見出し側のベクトル。

バリュー

Attentionで実際に重み付き合成される情報ベクトル。

Scaled Dot-Product Attention

QとKの内積をスケールして重みを作り、Vを合成する注意計算。

Masked Self-Attention

未来トークンを見ないようマスクし、次単語予測に使う注意。

Source-Target Attention

デコーダがエンコーダ出力を参照するAttention。翻訳で重要。

Cross-Attention

別系列の情報に注目するAttention。画像＋テキスト生成でも使う。

FeedForward層

Transformer各層内で各トークンを個別に変換する全結合部分。

コンテキストベクトル

Seq2Seqで入力系列の意味を圧縮して持つ中間表現。

ボトルネック

オートエンコーダ中央の低次元層。重要特徴だけを通す。

積層オートエンコーダ

複数のオートエンコーダを重ね、層ごとに特徴を学ぶ手法。

潜在空間

生成モデルがデータの本質を低次元で表す空間。

潜在変数

直接観測できないが、生成データの背後にある要因を表す変数。

再パラメータ化トリック

VAEでサンプリングを微分可能にして学習する工夫。

Random Erasing

（2017）画像の一部をランダムに消して頑健性を高めるデータ拡張。

Cutout

（2017）画像の矩形領域を隠すデータ拡張。過学習対策。

Mixup

（2017）2枚の画像とラベルを混ぜるデータ拡張。滑らかな分類境界にする。

CutMix

（2019）一部領域を別画像で置換し、ラベルも面積比で混ぜるデータ拡張。

RandAugment

（2020）拡張操作を少ない設定で自動的に組み合わせる方法。

Noising

テキストにノイズや削除を加え、表現揺れに強くする拡張。

Paraphrasing

同じ意味を別表現に言い換えてテキストデータを増やす拡張。

物体識別

画像全体が何の物体かを分類するタスク。位置は問わない。

一般物体認識

画像内の物体の種類や位置を認識する広いタスク。

パノプティックセグメンテーション

背景領域と個別物体を同時に画素単位で識別する分割。

画像キャプション生成

画像内容を自然言語で説明するタスク。画像＋言語の代表例。

機械翻訳

ある言語の文を別言語へ自動変換するNLP応用。

質問応答

自然言語の質問に対し、根拠や知識から回答を返すタスク。

要約

長い文章から重要点を短くまとめるNLPタスク。

感情分析

文章の肯定・否定・感情を判定するNLPタスク。

固有表現抽出

人名・地名・組織名などを文章から抜き出すタスク。

構文解析

文の単語間の係り受けや文法構造を解析する処理。

N-gram

連続するn個の文字・単語を特徴として扱う言語処理表現。

Bag-of-Words

単語の順序を無視し、出現回数だけで文書を表す手法。

TF-IDF

文書内で多く、全体では珍しい語を重視する文書特徴量。

ELMo

（2018）文脈に応じて単語表現を変える初期の文脈化埋め込み。

スケーリング則

（2020頃）モデル・データ・計算量を増やすと性能が予測可能に伸びる経験則。

Perplexity

言語モデルが次単語をどれだけ迷うかの指標。低いほど予測が良い。

BLEU

機械翻訳の出力と参照訳のn-gram一致を見る自動評価指標。

ROUGE

要約評価で使う、参照要約との語句重なり指標。

指示チューニング

指示と回答例でモデルを調整し、命令に従いやすくする学習。

SFT

人が用意した良い回答で教師あり微調整するLLM学習段階。

報酬モデル

回答の良し悪しを点数化し、RLHFで方策改善に使うモデル。

PPO

（2017）方策更新を大きく変えすぎない強化学習手法。RLHFでも使われる。

LoRA

（2021）低ランク行列だけを学習してLLMを軽量に微調整する手法。

QLoRA

（2023）量子化モデルにLoRAを適用し、少ないGPUメモリで微調整する方法。

PEFT

一部パラメータだけを学習し、低コストで微調整する手法群。

プロンプトインジェクション

外部入力で本来の指示を上書きさせようとする攻撃。

ジェイルブレイク

安全制約を回避し、禁止出力を引き出そうとするプロンプト攻撃。

ガードレール

LLMの出力や利用範囲を安全側に制御する仕組み。

モデルカード

モデルの用途・限界・評価・注意点をまとめた説明書。

データシート

データセットの由来・構成・偏り・利用条件を記録する文書。

順拡散過程

拡散モデルでデータに少しずつノイズを加える過程。

逆拡散過程

ノイズから少しずつデータを復元し生成する過程。

ノイズスケジュール

拡散モデルで各ステップのノイズ量を決める設計。

Classifier-Free Guidance

条件あり/なし予測を混ぜ、プロンプト反映を強める生成制御。

AlphaStar

StarCraft IIで高性能を示したDeepMindの深層強化学習AI。

sim2real

シミュレーションで学んだモデルを現実環境へ移す課題・手法。

ドメインランダマイゼーション

シミュレーション条件をランダム化し、現実差に強くする手法。

状態表現学習

画像などの観測から強化学習向けの状態ベクトルを自動抽出する。

平均

値の合計を件数で割った代表値。外れ値の影響を受けやすい。

中央値

小さい順に並べた中央の値。外れ値に強い代表値。

最頻値

最も多く現れる値。カテゴリデータにも使いやすい。

四分位数

データを4等分する境界値。ばらつきや箱ひげ図で使う。

度数分布

値の範囲ごとの件数をまとめた分布。ヒストグラムの元。

ヒストグラム

度数分布を棒で可視化したグラフ。分布形状を見る。

箱ひげ図

中央値・四分位・外れ値をまとめて見る可視化。

偏相関係数

他の変数の影響を除いた2変数の相関。因果推測で注意。

相互情報量

片方を知るともう片方の不確実性がどれだけ減るかの量。

ユークリッド距離

2点間の直線距離。クラスタリングなどで使う基本距離。

マンハッタン距離

座標差の絶対値合計で測る距離。格子状移動の距離感。

コサイン類似度

ベクトルの向きの近さを測る。文書・埋め込み検索で重要。

マハラノビス距離

分散・相関を考慮した距離。多変量の異常検知に使う。

確率変数

確率的に値が決まる変数。分布で振る舞いを表す。

確率密度関数

連続確率変数で値の出やすさを表す関数。面積が確率。

累積分布関数

ある値以下になる確率を返す関数。分布を積み上げて見る。

同時確率

複数の事象が同時に起きる確率。

周辺確率

他変数を合計・積分して、1変数だけにした確率。

独立

片方の発生がもう片方の確率に影響しない関係。

条件付き独立

ある条件を固定すると、2変数が互いに独立になる性質。

帰無仮説

差がない・効果がないとする検定の出発点。

対立仮説

差がある・効果があると主張する仮説。

有意水準

帰無仮説を誤って棄却する確率の許容上限。例：5%。

第一種の誤り

本当は差がないのに差があると判断する誤り。偽陽性。

第二種の誤り

本当は差があるのに差がないと判断する誤り。偽陰性。

検出力

本当に差がある時に正しく検出できる確率。

尤度関数

パラメータのもとで観測データがどれだけ起こりやすいか。

ヤコビ行列

多変数関数の一階偏微分を並べた行列。

ヘッセ行列

二階偏微分を並べた行列。曲率や最適化で使う。

CRISP-DM

（1999/2000頃）ビジネス理解→データ理解→準備→モデリング→評価→展開のデータ分析プロセス標準。

データレイク

構造化・非構造化データを生に近い形で大量保存する基盤。

データウェアハウス

分析しやすい形に整理された企業横断データ保管庫。

データマート

部門や用途ごとに切り出した小規模な分析用データ領域。

特徴量ストア

学習・推論で使う特徴量を一元管理・再利用する基盤。

モデルレジストリ

モデルのバージョン・評価・承認状態を管理する台帳。

CI/CD

テスト・ビルド・デプロイを自動化し、素早く安全に更新する仕組み。

シャドーデプロイ

本番入力を裏で新モデルにも流し、出力だけ比較する検証。

カナリアリリース

一部ユーザーだけに新モデルを出し、問題確認後に拡大する展開。

ブルーグリーンデプロイ

旧環境と新環境を並べ、切替で安全にリリースする方式。

Human-in-the-Loop

人間が確認・修正・承認に入るAI運用。高リスク領域で重要。

アクティブラーニング

モデルが迷うデータを優先的に人へラベル付け依頼する方法。

ラベリング品質管理

注釈の基準統一・二重確認で教師データの品質を保つこと。

データリネージ

データの発生源・加工履歴・利用先を追跡できる情報。

SLA

サービス品質の合意値。稼働率や応答時間などを定める。

SLO

SLA達成のために内部で置く具体的な品質目標。

レイテンシ

入力から応答までの遅延時間。リアルタイムAIで重要。

スループット

単位時間に処理できるリクエスト数やデータ量。

コンセプトドリフト

入力と正解の関係が時間とともに変わること。

データドリフト

本番入力の分布が学習時から変わること。性能低下の原因。

レッドチーミング

攻撃者視点でAIの脆弱性・危険出力を試験する活動。

安全性評価

有害出力・偏り・攻撃耐性などをリリース前後に測る評価。

差分プライバシー

個人データの有無が推測されにくいようノイズを加える保護技術。

個人識別符号

顔認証データやマイナンバーなど、単体で個人識別できる符号。

保有個人データ

本人が開示・訂正・利用停止などを請求できる事業者保有データ。

利用目的

個人情報を何に使うかの目的。取得時に通知・公表が必要。

目的外利用

公表した利用目的の範囲を超えて個人情報を使うこと。原則NG。

第三者提供

本人以外へ個人データを渡すこと。原則同意や記録が必要。

オプトアウト

本人が停止を求められる形で提供・利用を行う方式。要件に注意。

委託

個人データ処理を外部に任せること。委託元に監督責任がある。

共同利用

一定範囲の者で個人データを共同利用する制度。事前公表が重要。

安全管理措置

漏えい等を防ぐための組織的・技術的・人的な管理策。

GDPR

（2018適用）EUの個人データ保護規則。域外適用や高額制裁で重要。

データ主体

個人データの本人。GDPRで権利行使の主体となる。

忘れられる権利

一定条件で個人データ削除を求める権利。GDPR文脈で重要。

DPIA

個人データ処理のプライバシー影響を事前評価する手続き。

カメラ画像利活用ガイドブック

カメラ画像を使う際のプライバシー配慮を整理した実務参考資料。

秘密保持契約(NDA)

開発前にデータ・ノウハウを守るため結ぶ守秘契約。

AI・データ契約ガイドライン

AI開発やデータ利用契約の論点を整理した経産省系ガイドライン。

生成AI利用ガイドライン

組織で生成AIを安全に使うための入力禁止・確認ルール等の指針。

アジャイル開発契約

試行錯誤型AI開発で、仕様変更・責任・成果帰属を適時整理する契約。

協力義務

システム開発で発注者・開発者が情報提供など協力する義務。

知的財産権

著作権・特許権など、知的成果を保護する権利の総称。

著作者人格権

氏名表示・同一性保持など著作者の人格的利益を守る権利。

著作権侵害

許諾なく著作物を複製・翻案等すること。依拠性と類似性が論点。

依拠性

既存著作物を知り、それをもとに作ったかという侵害判断要素。

類似性

既存著作物と表現が似ているかという侵害判断要素。

情報解析

著作物を情報分析目的で利用する行為。AI学習との関係で重要。

OSSライセンス

オープンソース利用時の条件。再配布・表示・派生物条件に注意。

データバイアス

収集データの偏りがモデルの判断を偏らせること。

アルゴリズムバイアス

モデル構造や最適化の影響で偏った判断が出ること。

フェイクニュース

虚偽情報を本物のニュースのように見せる行為。生成AIで拡散リスク。

エコーチェンバー

同じ意見ばかりに囲まれ、考えが強化される情報環境。

フィルターバブル

推薦により自分向け情報だけに囲まれ、多様性が減る現象。

データの来歴

データの出所・加工履歴。信頼性やバイアス確認に必要。

ブラックボックス

内部処理が不透明で、なぜその結果か説明しにくいモデル。

AI倫理アセスメント

AI導入前後に倫理リスクを洗い出し対策する評価。

ステークホルダー関与

利用者・影響を受ける人・専門家を巻き込みリスクを確認すること。

インクルージョン

属性や環境で排除されず、AIの恩恵にアクセスできること。

デジタルデバイド

IT利用機会やスキルの格差。AI活用で広がる恐れがある。

軍事利用

AIを兵器・監視・作戦支援に使うこと。倫理と規制が論点。

自律型兵器

人の直接操作なしに標的選定・攻撃し得る兵器。国際的に議論。

死者への敬意

故人の声・姿の再現で、尊厳や遺族感情への配慮が必要な論点。

人間の自律性

AI依存で人の判断力や意思決定の自由が弱まらないようにする価値。

サステナビリティ

AIの利活用が環境・社会・経済の持続可能性に配慮すること。

カーボンフットプリント

AIの学習・推論で発生するCO2排出量を含む環境負荷指標。

気候変動モデル

気候予測や環境対策にAIを活用するモデル。AIの正の活用例。

AIとの協働

AIに任せる部分と人が判断する部分を分けて協力する働き方。

スキルの喪失

AI任せで人が技能を使わなくなり、能力が低下する懸念。

アラン・チューリング

（1950）「計算機械と知性」で機械が考えるかを問い、チューリングテストを提案。

計算機械と知性

（1950）チューリングが発表した論文。機械知能の議論の出発点。

イミテーションゲーム

（1950）チューリングテストの元になる会話判定ゲーム。

チャーチ=チューリングのテーゼ

計算可能な問題はチューリング機械で表せるという計算理論の基本仮説。

チューリング機械

（1936）計算を抽象化した理論モデル。計算可能性の基礎。

ジョン・マッカーシー

（1956）「Artificial Intelligence」という語の提唱者の一人。LISPも開発。

マービン・ミンスキー

（1956）AI創始期の中心人物。フレーム理論やパーセプトロン批判で有名。

クロード・シャノン

（1948）情報理論の創始者。エントロピーなどAI数理の基礎に関係。

ノーバート・ウィーナー

（1948）サイバネティクスを提唱。制御・通信・フィードバックの古典。

サイバネティクス

（1948）動物と機械の制御・通信を扱う考え方。AI以前の重要背景。

LISP

（1958）AI研究で広く使われた記号処理向けプログラミング言語。

Prolog

（1972）論理プログラミング言語。ルールと推論で問題を表す。

Logic Theorist

（1956）数学定理を証明した初期AI。ニューウェルとサイモンらが開発。

General Problem Solver

（1957）汎用問題解決を狙った古典AI。探索と手段目標分析が特徴。

手段目標分析

目標との差を見て、その差を小さくする操作を選ぶ古典的問題解決法。

第5世代コンピュータプロジェクト

（1982〜1992）日本のAI・論理型計算機国家プロジェクト。

Deep Blue

（1997）IBMのチェスAI。世界王者カスパロフに勝利。探索AIの象徴。

Jeopardy!

（2011）IBM Watsonが勝利した米クイズ番組。質問応答AIの象徴。

AlphaGo Zero

（2017）人間の棋譜なしで自己対戦だけで強くなった囲碁AI。

AlphaZero

（2017）囲碁・将棋・チェスを自己対戦で学んだ汎用ゲームAI。

MuZero

（2019）環境モデルを明示せずに学び、計画と強化学習を組み合わせる。

RoboCup

（1997開始）ロボットサッカーを通じてAI・ロボット研究を促す国際大会。

AIBO

（1999）ソニーの犬型ロボット。家庭向け知能ロボットの代表例。

AI完全問題

自然言語理解など、人間並み知能がないと解けないとされる難問群。

Moravecのパラドックス

高度な推論より、幼児ができる知覚運動の方がAIには難しいという逆説。

ポランニーのパラドックス

人は言語化できる以上のことを知っている、という暗黙知の問題。

常識推論

人間なら当然の背景知識を使って推論すること。AIには難しい。

非単調推論

新しい情報で過去の結論が覆る推論。現実世界の例外処理に関係。

前向き推論

事実からルールを順に適用して結論へ進む推論。

後ろ向き推論

目標から逆向きに必要条件をたどる推論。診断・Prologで重要。

推論エンジン

知識ベースのルールを使い、結論や行動を導く中核部品。

知識ベース

ルール・事実・概念関係を蓄えるデータベース。エキスパートシステムの核。

ドメイン知識

特定分野に固有の専門知識。AI精度や説明性に効く。

メタ知識

知識の使い方に関する知識。どのルールを優先するか等。

命題論理

真偽を持つ命題をAND/OR/NOTなどで扱う論理。

一階述語論理

対象・性質・関係・量化子を使う表現力の高い論理。

述語

対象の性質や関係を表す論理表現。例：Human(x)。

量化子

「すべて」「存在する」を表す記号。∀と∃が代表。

Horn節

高々1つの正リテラルを持つ節。Prologやルール推論で扱いやすい。

単一化

論理式の変数に値を入れて同じ形にする操作。Prologで重要。

閉世界仮説

知識ベースにない事実は偽とみなす考え方。データベース寄り。

開世界仮説

知らないことは偽とは限らないとする考え方。Web/知識グラフ寄り。

制約充足問題

変数に値を割り当て、制約をすべて満たす解を探す問題。

SAT問題

命題論理式を真にできる割当があるかを問う問題。NP完全の代表。

CNF

論理式をANDでつないだ節の形にする標準形。SATでよく使う。

探索空間

解候補全体の集合。広すぎると効率的探索が必要になる。

ヒューリスティック関数

ゴールまでの近さを経験則で見積もる関数。A*などで使う。

最良優先探索

評価値が最も良いノードから調べる探索。

反復深化探索

深さ制限を少しずつ増やす探索。DFSの省メモリとBFSの完全性を狙う。

双方向探索

開始点とゴールから同時に探索し、中間で出会わせる方法。

枝刈り

不要そうな候補を探索対象から外す高速化。αβ法が典型。

貪欲法

その時点で最も良い選択をする方法。速いが最適とは限らない。

焼きなまし法

（1983）確率的に悪い解も受け入れ、局所最適を避ける最適化法。

遺伝的アルゴリズム

（1975頃）選択・交叉・突然変異で解候補を進化させる探索法。

粒子群最適化

（1995）粒子の集団が互いの良い解を参考に探索する最適化法。

タブーサーチ

（1986頃）直近の探索先を禁止リスト化し、局所最適を避ける方法。

メタヒューリスティクス

問題に依存しない汎用的な近似最適化の枠組み。

SPARQL

RDFグラフを検索するための問い合わせ言語。知識グラフで使う。

OWL

Web上のオントロジーを表す言語。概念階層や制約を記述する。

トリプル

主語・述語・目的語で表す知識の最小単位。RDFの基本。

エージェントアーキテクチャ

知覚・判断・行動を持つAIシステムの設計構造。

BDIモデル

信念・欲求・意図でエージェントの意思決定を表すモデル。

合理的エージェント

目的達成のため、得られた情報から最も望ましい行動を選ぶ主体。

環境認識

センサーやデータから周囲の状態を把握すること。自動運転で重要。

記号主義AI

記号・ルール・論理で知能を作る立場。初期AIの中心。

コネクショニズム

ニューラルネットのような多数の結合で知能を表す立場。

GOFAI

Good Old-Fashioned AIの略。記号処理中心の古典AI。

エージェント指向

AIを環境内で観測し行動する主体として捉える考え方。

サブサンプションアーキテクチャ

（1986）複雑な計画より階層的な反応行動を重視するロボット制御。

強化学習の前史

（1950年代〜）試行錯誤学習・動的計画法・TD学習が基礎になった流れ。

AIアライメント

AIの目的や行動を人間の価値・意図と一致させる課題。

データ分割

訓練・検証・テストに分け、学習と評価を混ぜない基本手順。

層化抽出

クラス比率を保ってデータを分割・抽出する方法。不均衡分類で重要。

Stratified K-Fold

各foldでクラス比を保つ交差検証。分類問題で使いやすい。

Leave-One-Out交差検証

1件だけを検証に回す交差検証。データが少ない時に使うが計算が重い。

ネスト交差検証

内側で調整、外側で評価する方法。モデル選択バイアスを抑える。

時系列分割

未来データを訓練に使わないよう、時間順に検証する方法。

ウォークフォワード検証

時系列で訓練期間を前へずらしながら予測評価する方法。

リークしない前処理

標準化や欠損補完を訓練データでfitし、検証・テストへ適用すること。

ターゲットリーケージ

目的変数に近すぎる情報が特徴量に混ざること。高スコアでも危険。

時系列リーケージ

未来の情報を過去予測に使ってしまう漏えい。需要予測で注意。

重複リーケージ

同じまたは近いデータが訓練とテストにまたがり、評価が水増しされること。

交差検証スコア

複数foldの平均・分散で性能を判断する評価値。

学習曲線

データ量に対する訓練・検証性能を見る図。過学習/データ不足を判断。

検証曲線

ハイパーパラメータを変えた時の性能変化を見る図。

キャリブレーション

予測確率が実際の発生率と合うよう調整すること。

信頼度校正

分類確率の過信・過小評価を直すこと。温度スケーリングなど。

Brierスコア

確率予測の誤差を測る指標。小さいほど確率がよく校正されている。

LogLoss

確率予測の悪さを測る損失。正解に低確率を出すと大きく罰する。

二値交差エントロピー

2クラス分類の確率出力に使う交差エントロピー損失。

マルチクラス交差エントロピー

多クラス分類で正解クラスの確率を高くする損失。

マクロ平均

クラスごとの指標を単純平均。少数クラスも同じ重みで見る。

マイクロ平均

全クラスのTP/FP/FNを合算して指標を計算。大きいクラスの影響が強い。

重み付き平均

クラス件数で重み付けして指標を平均する方法。

特異度

実際に陰性のものを陰性と判定できた割合。TN/(TN+FP)。

偽陽性率

陰性を陽性と誤判定する割合。ROCの横軸。

偽陰性率

陽性を陰性と誤判定する割合。見逃し率。

感度

実際の陽性を陽性と判定できた割合。再現率と同じ。

閾値調整

分類確率を何%以上で陽性とするかを変え、適合率と再現率を調整する。

Youden指数

感度＋特異度−1。ROC上で閾値を選ぶ指標の一つ。

Lift

ランダム選択よりどれだけ高い反応率を得たかを示す指標。

ゲイン曲線

上位何%を狙うと正例をどれだけ獲得できるかを見る曲線。

NDCG

検索・推薦ランキングの良さを測る指標。上位の正解を重視。

MAP

ランキングで適合アイテムが上位に来るほど高い評価指標。

MRR

最初の正解が何位に出るかを評価するランキング指標。

Precision@K

上位K件のうち正解がどれだけ含まれるか。推薦・検索で使う。

Recall@K

正解全体のうち上位K件でどれだけ拾えたか。推薦・検索で使う。

MAPE

実測値に対する予測誤差の割合平均。ゼロ付近に弱い。

RMSLE

対数を取ったRMSE。比率誤差や大きな値の影響を抑えたい時に使う。

Huber損失

小誤差は二乗、大誤差は絶対値で扱い、外れ値にやや強い損失。

ピンボール損失

分位点回帰で使う損失。上振れ・下振れを非対称に評価。

欠損メカニズム

欠損が完全ランダムか、条件依存か、値依存かを考える視点。

MCAR

完全にランダムな欠損。欠損発生が観測値にも未観測値にも依存しない。

MAR

観測済み変数に依存する欠損。補完モデルで扱いやすい場合がある。

MNAR

欠損値そのものに依存する欠損。単純補完では偏りやすい。

平均値補完

数値欠損を平均で埋める単純補完。外れ値に影響される。

中央値補完

数値欠損を中央値で埋める補完。外れ値に比較的強い。

最頻値補完

カテゴリ欠損を最も多い値で埋める単純補完。

kNN補完

近いサンプルの値を使って欠損を補う方法。

多重代入法

欠損値を複数パターンで補完し、不確実性も反映する方法。

ロバストスケーリング

中央値と四分位範囲でスケール変換し、外れ値の影響を抑える。

Min-Maxスケーリング

最小値0・最大値1などに変換する正規化。

Zスコア

平均から標準偏差何個分離れているかを表す標準化値。

対数変換

右に歪んだ分布や桁差の大きい値を扱いやすくする変換。

Box-Cox変換

正の値を正規分布に近づけるべき乗変換。

Yeo-Johnson変換

0や負の値にも使えるべき乗変換。

ビニング

連続値を区間に分けてカテゴリ化する処理。

順序エンコーディング

大小関係のあるカテゴリを順序数に変換する方法。

ターゲットエンコーディング

カテゴリを目的変数の平均などに変換する方法。リーケージ注意。

頻度エンコーディング

カテゴリを出現頻度で数値化する方法。高カーディナリティに有効。

高カーディナリティ

カテゴリの種類が多い状態。ワンホットでは列が増えすぎる。

クラス重み

少数クラスの誤りを重くする不均衡対策。

コスト感度学習

誤分類コストの違いを学習に反映する方法。

しきい値最適化

業務上のコストやKPIに合わせて分類閾値を選ぶこと。

データ拡張による不均衡対策

少数クラスのデータを変換・生成して増やす方法。

アブレーションスタディ

要素を一つずつ外して性能への寄与を見る検証。

ベースライン

改善効果を見るための基準モデルや単純手法。

チャンピオン・チャレンジャー

現行モデルと新モデルを比較して採用判断する運用。

モデル選択

複数モデルや設定から検証性能・要件に合うものを選ぶこと。

ホールドアウトバリデーション

一部データを固定で検証用に残す評価方法。単純だが分割依存。

推定量

データから母数を推定する計算式。平均や回帰係数など。

不偏推定量

期待値が真の母数に一致する推定量。

一致推定量

データ数が増えると真の値に近づく推定量。

ノーフリーランチ定理

全問題で最強のアルゴリズムはないという定理。問題に応じた選択が必要。

AutoML

特徴量処理・モデル選択・調整を自動化する仕組み。

メタラーニング

過去タスクの経験から新タスクの学習を速くする考え方。

ドメイン適応

学習元と利用先の分布差を吸収し、別ドメインで使えるようにする。

データセットシフト

学習時と本番時でデータ分布が変わること。

共変量シフト

入力分布だけが変わり、入力と正解の関係は同じと仮定する変化。

ラベルシフト

クラス比率など目的変数の分布が変わること。

サンプル重み

重要なサンプルや少数クラスに重みを付けて学習すること。

外部妥当性

別の母集団や現場でも結果が通用するかという妥当性。

リッジ回帰

L2正則化つき線形回帰。係数を小さくして過学習を抑える。

ラッソ回帰

L1正則化つき線形回帰。不要な係数が0になり特徴選択効果がある。

Elastic Net

L1とL2を組み合わせた回帰。特徴選択と安定性を両立しやすい。

多項式回帰

入力の二乗・三乗などを特徴に加え、非線形関係を線形回帰で表す。

スプライン回帰

区間ごとの滑らかな曲線で非線形関係を表す回帰。

SVR

SVMを回帰に使う手法。誤差許容幅εの中は罰しない。

線形SVM

線形の決定境界でマージン最大化するSVM。

RBFカーネル

距離が近いほど似ているとみなすSVMの代表的カーネル。

多項式カーネル

特徴の組み合わせを多項式的に扱うSVMカーネル。

CART

（1984）分類木・回帰木を作る決定木アルゴリズム。

ID3

（1986）情報利得で分岐を選ぶ決定木アルゴリズム。

C4.5

（1993）ID3を発展させた決定木。連続値や剪定に対応。

決定株

1つの条件だけで分ける浅い決定木。AdaBoostの弱学習器で有名。

ExtraTrees

（2006）分割点もランダムに選ぶ決定木アンサンブル。

Gradient Boosting Machine

（1999/2001頃）前の誤差を次の木で補うブースティング系列。

CatBoost

（2017）カテゴリ変数に強い勾配ブースティング。ターゲット漏えい対策も特徴。

ヒストグラムベースGBDT

連続値をビン化して高速に学習する勾配ブースティング木。

投票分類

複数モデルの多数決や確率平均で分類するアンサンブル。

平均アンサンブル

複数モデルの予測を平均して安定性を高める方法。

重み付きアンサンブル

性能や信頼度に応じてモデル予測へ重みを付ける方法。

ブレンディング

検証データ上の予測を使ってメタモデルを作る簡易スタッキング。

ガウシアンナイーブベイズ

連続特徴が正規分布に従うと仮定するナイーブベイズ。

多項ナイーブベイズ

単語カウントなど非負整数特徴に向くナイーブベイズ。

ベルヌーイナイーブベイズ

0/1特徴に向くナイーブベイズ。テキスト分類で使う。

線形判別分析

クラス間分散を大きく、クラス内分散を小さくする線形分類・次元削減。

二次判別分析

クラスごとに異なる共分散を許す判別分析。非線形境界になる。

スペクトラルクラスタリング

グラフの固有ベクトルを使ってクラスタを見つける方法。

Mean Shift

密度の高い方向へ点を動かしてクラスタ中心を探す方法。

OPTICS

DBSCANを拡張し、密度の違うクラスタを扱いやすくした手法。

HDBSCAN

DBSCANを階層化し、密度差に強くしたクラスタリング。

自己組織化マップ

（1982）高次元データを2次元格子へ写像する教師なしニューラル手法。

Isolation Forest

（2008）ランダム分割で孤立しやすい点を異常とみなす手法。

Local Outlier Factor

（2000）近傍密度の低さで外れ値を検出する手法。

楕円包絡

データを楕円で包み、外側を異常とみなす手法。

マハラノビス異常検知

共分散を考慮した距離で外れ値を検出する方法。

HMM

（1980年代普及）観測できない状態が時間で遷移する確率モデル。音声認識で有名。

CRF

（2001）系列ラベル付けに使う条件付き確率場。NERなどで使う。

マルコフ連鎖

次状態が現在状態だけに依存する確率過程。

ARIMA

（1970年代普及）自己回帰・差分・移動平均を組み合わせた時系列モデル。

指数平滑法

直近データに大きい重みを置く時系列予測手法。

状態空間モデル

観測できない状態と観測値を分けて時系列を表すモデル。

カルマンフィルタ

（1960）ノイズを含む観測から状態を逐次推定する方法。

行列分解推薦

ユーザーとアイテムを潜在ベクトル化して推薦する協調フィルタリング。

SVD推薦

評価行列を分解し、潜在因子で好みを推定する推薦手法。

アイテムベース協調フィルタリング

似たアイテムから推薦する方法。ユーザー数が多い時に安定しやすい。

ユーザーベース協調フィルタリング

似たユーザーの好みから推薦する方法。

暗黙的フィードバック

クリック・閲覧・購入など明示評価でない行動データ。推薦で重要。

Explicit Feedback

星評価などユーザーが明示的に与える好み情報。

バンディット問題

複数選択肢から報酬が高いものを探索と活用で学ぶ問題。

UCB

不確実性が高い選択肢も試すバンディット手法。

Thompson Sampling

事後分布からサンプルして行動を選ぶバンディット手法。

TD学習

（1988）予測値の差分で価値を更新する強化学習の基本。

モンテカルロ法による強化学習

エピソード終了後の実際の収益で価値を更新する方法。

価値反復

ベルマン最適方程式を繰り返し適用して最適価値を求める方法。

方策反復

方策評価と方策改善を繰り返して最適方策を探す方法。

オンポリシー

学習中の方策で集めたデータを使って同じ方策を改善する。

オフポリシー

別方策で集めたデータから目的方策を学ぶ。Q学習が代表。

モデルベース強化学習

環境の遷移モデルを学び、計画に使う強化学習。

モデルフリー強化学習

環境モデルを明示せず、価値や方策を直接学ぶ強化学習。

REINFORCE

（1992）収益で方策勾配を推定する基本的な方策勾配法。

A2C

A3Cを同期化したActor-Critic。並列環境で安定に学習しやすい。

A3C

（2016）複数エージェントを非同期に走らせるActor-Critic。

DDPG

（2015）連続行動向けのオフポリシーActor-Critic。

TRPO

（2015）方策更新を信頼領域内に抑え、安定化する強化学習。

TD3

（2018）DDPGの過大評価を抑える連続制御向け手法。

SAC

（2018）エントロピー最大化で探索性を保つ連続制御向け手法。

GAE

（2016）価値推定のバイアスと分散を調整するアドバンテージ推定。

Rainbow

（2017）DQN改良6種を統合した強化学習手法。Atariで高性能。

C51

（2017）価値を分布として学ぶDistributional RLの代表手法。

Distributional RL

価値の期待値だけでなく報酬分布全体を学ぶ強化学習。

NoisyNet

（2017）重みにノイズを入れて探索を促すDQN改良。Rainbowの構成要素。

N-step return

複数ステップ先までの報酬を使って学習する方法。Rainbowの構成要素。

Dueling DQN

（2016）状態価値とアドバンテージを分けて推定するDQN改良。

優先度付き経験再生(PER)

（2015）TD誤差が大きい経験を優先して再学習する方法。

Double Q学習

過大評価を抑えるため、選択と評価を分けるQ学習。

報酬ハッキング

設計した報酬だけを満たし、本来の目的から外れる行動を学ぶこと。

疎な報酬

成功時だけなど、報酬がほとんど得られない設定。学習が難しい。

密な報酬

途中経過にも報酬を与える設定。学習しやすいが設計に注意。

カリキュラム学習

簡単な課題から徐々に難しくして学習を安定させる方法。

Inverse Reinforcement Learning

行動例から報酬関数を推定する強化学習。

GAIL

（2016）敵対的学習で模倣方策を学ぶ手法。

World Models

（2018）環境の潜在モデルを学び、その中で方策を学ぶ考え方。

ADALINE

（1960）Widrow-Hoff学習を使う単層ニューラルモデル。

MADALINE

（1960年代）ADALINEを複数組み合わせた初期ニューラルネット。

ネオコグニトロン

（1980）福島邦彦によるCNNの先駆的モデル。階層的特徴抽出。

深層信念ネットワーク

（2006）貪欲な事前学習で深いネットを学びやすくしたモデル。

制限付きボルツマンマシン

確率的な生成モデル。深層信念ネットワークの構成要素。

オートエンコーダの事前学習

出力を入力に近づける学習で表現を作り、初期値に使う方法。

表現学習

特徴量を人手で作らず、データから有用な表現を学ぶこと。

エンドツーエンド学習

入力から出力までを一つのモデルでまとめて学習すること。

微分可能プログラミング

処理全体を微分可能にし、勾配で最適化する考え方。

計算グラフ

演算のつながりをグラフで表し、自動微分に使う構造。

自動微分

計算グラフから正確な微分を機械的に求める仕組み。深層学習基盤。

順伝播

入力から出力へ計算を進める処理。

逆伝播

損失の勾配を出力側から入力側へ伝える処理。

ロジスティック関数

シグモイドの別名。0〜1に変換し、確率のように扱える。

Softplus

ReLUを滑らかにした活性化関数。

ELU

負の値を指数で滑らかに出す活性化関数。

SELU

自己正規化ネットワーク向けの活性化関数。

PReLU

ReLUの負側の傾きを学習する活性化関数。

Mish

滑らかで非単調な活性化関数。近年のCNNで使われることがある。

ハードシグモイド

シグモイドを区分線形で近似し、計算を軽くした活性化関数。

Hinge損失

SVMなどで使うマージンを広げるための損失。

Triplet損失

アンカー・正例・負例の距離関係を学ぶ損失。顔認証で有名。

Contrastive損失

似たペアを近く、違うペアを遠くする表現学習の損失。

InfoNCE

対照学習で使う損失。正例を近く、負例を遠くする。

Focal Loss

（2017）難しいサンプルを重視し、クラス不均衡に強くする損失。

Label Smoothing

正解ラベルを少しぼかし、過信と過学習を抑える正則化。

DropConnect

重みをランダムに無効化する正則化。Dropoutの重み版。

Stochastic Depth

（2016）学習時に残差ブロックをランダムに飛ばす正則化。

データノイズ付与

入力にノイズを加え、頑健性を上げるデータ拡張。

最大ノルム制約

重みの大きさに上限を設け、過学習を抑える正則化。

AdamW

（2017）AdamからWeight Decayを切り離し、汎化性能を改善しやすい最適化。

Adadelta

（2012）学習率を自動調整するAdaGrad系オプティマイザ。

Nadam

AdamにNesterovモメンタムを組み合わせた最適化手法。

AMSGrad

（2018）Adamの収束性問題に対処する改良版。

コサインアニーリング

学習率をコサイン波形で徐々に下げるスケジュール。

One Cycle Policy

学習率を一度上げてから下げるスケジュール。高速学習に使う。

ウォームリスタート

学習率を周期的に上げ直し、局所解から抜けやすくする方法。

勾配チェックポイント

中間活性の保存を減らし、再計算でメモリを節約する技術。

Teacher Forcing

系列生成で正解の前トークンを入力に使って学習する方法。

Scheduled Sampling

学習時に正解入力とモデル出力入力を混ぜ、推論時とのズレを減らす方法。

露出バイアス

系列生成で学習時と推論時の入力条件が違い、誤りが連鎖する問題。

勾配ノイズ

勾配にノイズを入れて局所解回避や汎化を狙う方法。

重み共有

複数箇所で同じ重みを使うこと。CNNやTransformerの埋め込み共有で出る。

重み tying

入力埋め込みと出力埋め込みの重みを共有する手法。LLMで使う。

構造化プルーニング

チャネルや層単位で削るプルーニング。実行速度改善につながりやすい。

非構造化プルーニング

個々の重みを削るプルーニング。疎行列対応がないと高速化しにくい。

PTQ

学習後に量子化する方法。簡単だが精度低下に注意。

QAT

量子化を考慮して学習する方法。PTQより精度を保ちやすい。

低ランク近似

行列を低ランクに分解し、パラメータ数や計算量を減らす方法。

ニューラルアーキテクチャ探索

モデル構造を自動探索する方法。NASNetなどで有名。

転移元タスク

事前学習や転移学習で知識を得る元のタスク。

転移先タスク

転移学習で実際に解きたい新しいタスク。

破壊的忘却

新タスク学習で旧タスクの知識を失う現象。継続学習で問題。

継続学習

データやタスクが順に来る状況で、忘却を抑えながら学習する方法。

オンライン学習

データが来るたびに逐次更新する学習方式。

バッチ学習

全データをまとめて使ってモデルを学習する方式。

自己蒸留

同じモデルや過去の自分を教師として学ぶ蒸留。

温度パラメータ

softmaxをなめらか/尖らせる値。蒸留や生成で使う。

TTA

推論時に複数の拡張をかけて予測を平均する方法。

EMA

重みの指数移動平均を使い、推論性能を安定させる方法。

重み初期化

学習開始時の重みの決め方。勾配消失・爆発に影響する。

LeCun初期化

tanh/SELUなどに合う初期化。入力数に基づき重みを調整。

Kaiming初期化

He初期化の別名。ReLU系に適した初期化。

Fast R-CNN

（2015）画像全体の特徴を共有し、R-CNNより高速な物体検出。

YOLOv1

（2016）物体検出を単一ネットワークで高速に行うYOLO初版。

YOLOv3

（2018）マルチスケール検出で実用性が高まったYOLO系列。

RetinaNet

（2017）Focal Lossで1段階検出のクラス不均衡を改善した物体検出。

DETR

（2020）Transformerで物体検出を集合予測として扱う手法。

Vision Transformer

（2020）画像をパッチ列としてTransformerで処理するモデル。

Swin Transformer

（2021）局所窓Attentionを階層化した画像Transformer。

ConvNeXt

（2022）CNNを現代的設計で再構成し、Transformerに迫る性能を示した。

Xception

（2017）Depthwise Separable Convolutionを徹底したCNN。

SENet

（2017）チャネルごとの重要度を学ぶ注意機構をCNNに導入。

ShuffleNet

（2018）チャネルシャッフルで軽量なCNNを実現。

NASNet

（2018）ニューラルアーキテクチャ探索で得たCNN構造。

EfficientDet

（2020）EfficientNetとBiFPNを使う高効率物体検出。

BiFPN

複数解像度特徴を効率よく融合する構造。EfficientDetで有名。

FPN

（2017）ピラミッド特徴で小物体から大物体まで検出しやすくする構造。

Atrous畳み込み

穴あき畳み込み。解像度を保ちながら受容野を広げる。DeepLabで有名。

Dilated Convolution

穴あき畳み込み。離れた画素を見て広い文脈を取る。

転置畳み込み

特徴マップを拡大する畳み込み。生成・セグメンテーションで使う。

アップサンプリング

画像や特徴マップの解像度を上げる処理。

ダウンサンプリング

画像や特徴マップの解像度を下げる処理。

受容野

出力1点が入力のどの範囲を見ているか。深い層ほど広い。

チャネル

画像や特徴マップの深さ方向。RGBなら3チャネル。

ROI Pooling

候補領域を固定サイズ特徴に変換する処理。Fast R-CNNで使用。

ROI Align

丸め誤差を抑えて候補領域特徴を取り出す処理。Mask R-CNNで重要。

バウンディングボックス

物体の位置を囲む矩形。物体検出の出力。

mAP

物体検出で使う平均適合率。複数クラス・閾値で評価。

COCO

（2014）物体検出・セグメンテーションで有名な画像データセット。

ImageNet

（2009公開）大規模画像データセット。深層学習ブームの重要基盤。

ILSVRC

（2010開始）ImageNet画像認識コンペ。2012年AlexNetが注目を集めた。

MNIST

（1998）手書き数字認識データセット。入門・古典ベンチマーク。

CIFAR-10

（2009）10クラスの小画像データセット。画像分類の入門ベンチマーク。

CIFAR-100

（2009）100クラスの小画像データセット。CIFAR-10より細かい分類。

PASCAL VOC

（2005〜）物体検出・セグメンテーションの古典データセット。

Open Images

（2016）大規模な画像アノテーションデータセット。

KITTI

（2012）自動運転向けの画像・LiDARデータセット。

LiDAR

レーザーで距離を測るセンサー。自動運転の3D認識で重要。

センサーフュージョン

カメラ・LiDAR・レーダーなど複数センサー情報を統合すること。

SLAM

自己位置推定と地図作成を同時に行う技術。ロボット・自動運転で重要。

CTC

（2006）入力と出力の長さが違う系列ラベル付けの損失。音声認識で重要。

WaveNet

（2016）生波形を生成する音声生成モデル。高品質音声合成で有名。

Tacotron

（2017）テキストからメルスペクトログラムを生成する音声合成モデル。

ボコーダ

メルスペクトログラムなどから音声波形を生成する処理・モデル。

WER

音声認識の単語誤り率。低いほどよい。

CER

文字単位の誤り率。日本語やOCR評価で使う。

Bahdanau Attention

（2014）ニューラル機械翻訳にAttentionを導入した代表的手法。

Luong Attention

（2015）内積型などのAttentionでNMTを改善した手法。

BPE

（1994圧縮、2016 NLP普及）頻出文字列を結合するサブワード分割。

SentencePiece

（2018）言語非依存にサブワード分割を学習するトークナイザー。

WordPiece

BERTなどで使われるサブワード分割。未知語を分解して扱える。

サブワード

単語より細かく文字より粗い単位。未知語・多言語に強い。

文脈化埋め込み

文脈に応じて同じ単語でも異なるベクトルを出す表現。

RoBERTa

（2019）BERTの学習設定を強化したモデル。

ALBERT

（2019）パラメータ共有などでBERTを軽量化したモデル。

XLNet

（2019）順列言語モデリングで双方向文脈を扱うモデル。

T5

（2019）あらゆるNLPタスクをText-to-Text形式で扱うモデル。

BART

（2019）ノイズを加えた文を復元するSeq2Seq事前学習モデル。

ELECTRA

（2020）置換されたトークンを判別する効率的事前学習モデル。

DeBERTa

（2021）相対位置と内容を分離したBERT系モデル。

GPT-2

（2019）大規模な自己回帰言語モデル。ゼロショット性能で注目。

GPT-3

（2020）175B規模のLLM。Few-shot/In-context能力で注目。

InstructGPT

（2022）人の指示に従いやすいようRLHFで調整したGPT系列。

ChatGPT

（2022）対話型生成AIの普及を加速させたサービス。

Llama

（2023）Metaの大規模言語モデル系列。オープンモデル普及に影響。

Mistral

（2023）高性能な軽量オープンLLMで注目されたモデル系列。

Mixture of Experts

複数の専門家ネットワークから一部だけを使う大規模モデル構造。

Switch Transformer

（2021）MoEを大規模Transformerに適用したモデル。

Sparse Attention

全トークンでなく一部にだけ注意を向け、長文処理を軽くする方法。

相対位置エンコーディング

トークン間の相対距離を使う位置情報。長さの一般化に強い。

RoPE

回転行列で相対位置を表す位置埋め込み。LLMで広く使われる。

ALiBi

距離に応じたAttentionバイアスで長文外挿を狙う方法。

KVキャッシュ

生成時に過去のKey/Valueを保存し、次トークン推論を高速化する。

コンテキスト長

モデルが一度に参照できるトークン数。長文処理能力に直結。

Top-kサンプリング

確率上位k個から次トークンを選ぶ生成方法。

Top-pサンプリング

累積確率pまでの候補から選ぶ生成方法。Nucleus Samplingとも呼ぶ。

ビームサーチ

複数候補を残しながら尤もらしい系列を探す生成方法。

貪欲デコード

毎回最も確率が高いトークンを選ぶ生成方法。多様性は低い。

反復ペナルティ

同じ語の繰り返しを抑える生成時の調整。

DPO

（2023）好ましい応答ペアから直接方策を最適化するLLM調整手法。

RLAIF

AIからのフィードバックで方策を調整する方法。人手負担を減らす狙い。

Constitutional AI

（2022）原則に基づいてAI応答を自己改善・調整する方法。

ReAct

（2022）推論と行動を交互に行うLLMエージェントのプロンプト手法。

Toolformer

（2023）言語モデルが外部ツールの使い方を自己教師ありで学ぶ考え方。

関数呼び出し

LLMが外部APIや関数に渡す引数を生成し、道具を使う仕組み。

LLMエージェント

LLMが計画・ツール利用・記憶を使って複数手順のタスクを進める仕組み。

RAGAS

RAGの回答忠実性・関連性などを評価する指標/フレームワーク。

BM25

（1994）単語の出現頻度と文書長で検索スコアを出す古典的検索手法。

Dense Retrieval

埋め込みベクトルで意味的に近い文書を検索する方法。

Sparse Retrieval

単語一致に基づく検索。BM25など。正確なキーワードに強い。

ハイブリッド検索

BM25などの単語検索とベクトル検索を組み合わせる方法。

リランキング

検索候補を別モデルで並べ替え、上位精度を高める処理。

クロスエンコーダ

クエリと文書を一緒に入力して関連度を高精度に判定するモデル。

バイエンコーダ

クエリと文書を別々に埋め込み、近さで高速検索するモデル。

チャンク

長文を検索・RAGしやすい小さな単位に分割したもの。

チャンクサイズ

RAGで1つの文書片に含める長さ。大きすぎても小さすぎても悪化。

オーバーラップ

チャンク間に重複を持たせ、文脈切れを防ぐ設定。

グラウンディング

回答を外部情報や根拠文書に基づかせ、ハルシネーションを抑えること。

Citation Grounding

回答に根拠箇所を紐づけるRAGの実務要件。

GraphRAG

（2024頃）知識グラフとRAGを組み合わせ、関係性を使って検索する考え方。

DDPM

（2020）ノイズ除去過程で画像生成する拡散モデルの代表。

Latent Diffusion Model

（2021）画像空間でなく潜在空間で拡散し、計算を軽くするモデル。

ControlNet

（2023）ポーズや線画など条件を追加して画像生成を制御する手法。

Textual Inversion

（2022）少数画像から新しい概念を埋め込みとして学ぶ画像生成調整。

DreamBooth

（2022）少数画像で特定人物・物体の生成を学習する手法。

Classifier Guidance

分類器の勾配で拡散生成を条件に寄せる方法。

スコアベース生成モデル

データ分布のスコアを学び、ノイズからデータを生成するモデル。

WGAN

（2017）Wasserstein距離でGAN学習を安定化する手法。

WGAN-GP

（2017）勾配ペナルティでWGANを安定化する改良。

CycleGAN

（2017）対応ペアなしで画像変換を学ぶGAN。馬↔シマウマで有名。

Pix2Pix

（2017）対応ペア画像から画像変換を学ぶ条件付きGAN。

BigGAN

（2018）大規模学習で高品質画像生成を実現したGAN。

StyleGAN2

（2019）StyleGANのアーティファクトを改善した高品質GAN。

モード崩壊

GANが多様性を失い、似た生成物ばかり出す問題。

識別器

GANで本物か生成物かを見分けるネットワーク。

生成器

GANで本物らしいデータを作るネットワーク。

条件付きGAN

ラベルや画像など条件を入力して生成を制御するGAN。

エンベディングモデル

テキストや画像を検索しやすいベクトルに変換するモデル。RAGの土台。

ベクトルデータベース

埋め込みベクトルを保存し、近傍検索できるDB。RAGで使う。

近傍探索

ベクトル空間で近いデータを探す処理。検索・推薦に使う。

ANN検索

厳密でなく近似で高速に近傍を探す方法。大規模ベクトル検索で重要。

HNSW

（2016）グラフ構造で高速な近似近傍探索を行う手法。

FAISS

（2017）Meta/Facebookが公開した高速ベクトル検索ライブラリ。

プロンプトテンプレート

指示・入力・制約を定型化し、LLMの出力を安定させる型。

システムプロンプト

LLMの役割や制約を最上位で与える指示。

ネガティブプロンプト

画像生成などで出してほしくない要素を指定するプロンプト。

Few-shotプロンプト

少数の例をプロンプトに入れて出力形式や判断を誘導する方法。

Zero-shotプロンプト

例を与えず、指示だけでタスクを解かせる方法。

自己整合性

複数の推論を生成し、多数決などで答えを安定させる方法。

Tree of Thoughts

（2023）複数の思考分岐を探索しながら解くプロンプト/推論手法。

プロンプトリーク

隠したシステム指示や機密プロンプトが出力される問題。

データ抽出攻撃

LLMから訓練データや機密情報を引き出そうとする攻撃。

モデル抽出攻撃

API応答を大量に集め、似たモデルを再現しようとする攻撃。

コンテキスト汚染

会話履歴や取得文書に悪意ある指示が混ざり、出力が乱れること。

検索汚染

RAGの検索対象に悪意ある文書が入り、回答を誘導する攻撃。

安全フィルタ

有害・違法・機密出力を抑えるための分類器やルール。

出力検証

LLMの出力をルール・スキーマ・外部検証で確認すること。

JSONモード

LLM出力をJSON形式に制約する機能。構造化連携で使う。

構造化出力

指定したスキーマ通りにLLMへ出力させること。業務連携に重要。

ファインチューニングデータ

モデル調整に使う入出力例。品質・偏り・権利確認が重要。

合成データ

実データを模して生成したデータ。プライバシーやデータ不足対策に使う。

データ合成

生成AIなどで訓練データを作ること。品質と分布ずれに注意。

自己学習

モデルが自分の予測を擬似ラベルとして再学習する方法。

擬似ラベル

ラベルなしデータにモデルで仮の正解を付けたもの。

弱教師あり学習

ルールや粗いラベルなど弱い監督信号で学ぶ方法。

データセントリックAI

モデルよりデータ品質改善を中心に性能を上げる考え方。

モデルセントリックAI

データ固定でモデル構造や学習法を改善する考え方。

半自動アノテーション

AI予測を人が修正してラベル作成を効率化する方法。

OCR後処理

OCR結果の誤字・表記ゆれを辞書や言語モデルで補正する処理。

レイアウト解析

文書画像から段落・表・見出しなど構造を検出する処理。

Document AI

文書理解・OCR・情報抽出を組み合わせたAI。

情報抽出

文書から項目・関係・数値などを取り出すNLPタスク。

関係抽出

文中のエンティティ同士の関係を抽出するタスク。

テキスト分類

文書や文をカテゴリに分類するNLPタスク。

トピックモデル

文書集合の潜在トピックを推定するモデル。LDAが代表。

LDAトピックモデル

（2003）文書が複数トピックの混合だと考える確率モデル。

固有表現

人名・組織名・地名・日時など、名前を持つ表現。

依存構造解析

単語同士の修飾関係を解析するNLP処理。

係り受け解析

日本語で文節同士の修飾関係を解析する処理。

トークン分類

各トークンにラベルを付けるタスク。NERなど。

シーケンス分類

文や系列全体に1つのラベルを付けるタスク。

セマンティック検索

キーワード一致でなく意味の近さで検索する方法。

質問応答システム

質問に対し、文書や知識から答えを返すNLPシステム。

抽出型質問応答

根拠文書内の文字列をそのまま答えとして抜き出すQA。

生成型質問応答

根拠をもとに自然文で答えを生成するQA。

抽出型要約

元文から重要文を選んで要約する方法。

生成型要約

内容を理解して新しい文で要約する方法。

話者認識

音声から誰が話しているかを識別するタスク。

話者分離

複数話者の音声を話者ごとに分ける処理。

音声区間検出

音声中の発話区間を検出する処理。

感情認識

表情・音声・テキストから感情を推定する応用。公平性に注意。

レコメンドの多様性

似たものばかりでなく幅広い候補を出す推薦品質。

レコメンドの新規性

ユーザーが知らない意外な候補を出す推薦品質。

レコメンドのセレンディピティ

予想外だが有用な推薦を出す性質。

ランキングバイアス

上位表示がクリックを集め、さらに上位になりやすい偏り。

フィードバックループ

AIの出力が次のデータを変え、偏りを強める循環。

自動運転レベル

SAEの0〜5段階。レベル5が完全自動運転。

ADAS

運転支援システム。自動ブレーキや車線維持など。

医用画像診断支援

X線・CT・MRIなどから病変検出を支援するAI応用。

創薬AI

候補化合物探索・タンパク質構造予測などにAIを使う応用。

AlphaFold

（2021）タンパク質立体構造予測で大きな成果を出したDeepMindのAI。

Copilot型AI

人の作業を横で補助するAI。コード・文章・業務支援で普及。

AIアシスタント

対話で情報整理・作業補助・生成を行うAI。

固有値

行列がベクトルを伸縮する倍率。PCAなどで重要。

固有ベクトル

行列を掛けても方向が変わらないベクトル。PCAの主成分に関係。

特異値分解

行列を3つの行列に分解する方法。次元削減や推薦で使う。

ランク

行列の独立な行/列の数。情報量の次元を表す。

行列式

正方行列の性質を表す値。体積倍率や逆行列の有無に関係。

逆行列

掛けると単位行列になる行列。線形方程式の解法に使う。

単位行列

対角成分が1、他が0の行列。行列演算の1に相当。

転置行列

行と列を入れ替えた行列。

対称行列

転置しても同じ行列。共分散行列などで出る。

正定値行列

任意の非ゼロベクトルで二次形式が正になる行列。最適化で重要。

半正定値行列

二次形式が0以上になる行列。カーネル行列などで出る。

トレース

正方行列の対角成分の和。

フロベニウスノルム

行列要素の二乗和の平方根。行列の大きさを表す。

L0ノルム

非ゼロ要素数を数える量。厳密にはノルムでないがスパース性で使う。

L1ノルム

絶対値の和。スパースな解を促しやすい。

L2ノルム

二乗和の平方根。ユークリッド距離に対応。

コサイン距離

コサイン類似度を距離化したもの。テキストベクトルでよく使う。

チェビシェフ距離

各次元の差の最大値を距離にする方法。

ミンコフスキー距離

L1やL2距離を一般化した距離。

ラグランジュ未定乗数法

制約付き最適化を制約なしの形に変換して解く方法。

凸関数

2点を結ぶ線分より下にグラフがある関数。局所最小が大域最小。

凸最適化

凸関数・凸集合を対象にする最適化。解きやすく理論が強い。

局所最適解