統計・分析を極める

【連載第1回】ニューラルネットの歩んだ道、ディープラーニングの登場で全てが変わった

ディープラーニングのビジネス活用を探る(1)

2015.04.21大野健太=Preferred Networks

ディープラーニングのビジネスへの活用の可能性を探る。初回はディープラーニングの登場がどんな意味で大事件だったのかを解説する。

 機械学習、ニューラルネット、ディープラーニングといった言葉の意味を整理することから始めよう。機械学習は人工知能の一分野で、データの背景にある傾向や法則を探り、現象の解析や予測をすることを目標としている。人間がルールを明示的に与えるのではなく、データから機械自身に法則を学習させるのが特徴だ。ルールで記述しきれない複雑な現象や、季節や時間などで傾向が変わる現象の解析に強みを発揮する。

 ニューラルネットは機械学習で扱われる計算アルゴリズムの1つである。脳を模倣したモデルで、入力層、隠れ層、出力層の3種類の層から成る。入力に対して単純な変換を何回も繰り返し、予測結果などを出力する構造をしている。

 深い構造、すなわち隠れ層を何層も重ねる構造がニューラルネットの精度向上の鍵となることが分かっている。これがディープラーニングという名前の由来でもある。この連載ではディープラーニングは機械学習の一分野を指し、ニューラルネットはそこで扱われるアルゴリズムを指す言葉として用いる。

典型的なニューラルネットワーク(多層パーセプトロン)

困難とその克服の歴史

 ニューラルネットが今日の精度を得るには50年以上を要し、その歴史の中で少なくとも2つの技術的困難に直面した。「XOR問題」と呼ばれるものと、精度問題である。それらを時系列に沿って見てみよう。

 脳を模倣した計算アルゴリズムの研究は1940年代頃から始まる。最初のブームを起こしたのは1958年に米国の心理学者フランク・ローゼンブラットが開発したパーセプトロンである。パーセプトロンは入力層と出力層のみからなるシンプルな設計にも関わらず、学習や予測ができることから当時注目を集めた。

 しかし、米国の人工知能学者マービン・ミンスキーとシーモア・パパートはパーセプトロンの予測性能に関する重大な欠陥を指摘した。それは排他的論理和(XOR)という演算を用いたとある単純な課題については、どんなに理想的に学習させたとしてもパーセプトロンはその予測ができないというものだった。この「XOR問題」がニューラルネット第1の困難である。これで第1次ブームは終わった。

印刷

関連記事

日経ビッグデータ関連記事

日経ビッグデータの最新号

8月号特集

「眼」が拓く深層学習ビジネス

保険見積もりを10分で作成、物流センター省人化、ロボットで顧客分析…

年間購読のご案内

申し込む

お問い合わせ