{
  "format": "shikakustudy-deck",
  "formatVersion": 1,
  "slug": "eshikaku-yougo480",
  "title": "E資格 用語640",
  "examName": "E資格",
  "cards": [
    {
      "front": "スカラー",
      "back": "大きさだけを持つ量\n向きを持たない単一の数値をいう",
      "hint": "すからー　scalar\n数字　次元は0。1つの数で表す\nここが問われる　ベクトルやテンソルとの次元の違いを整理して覚える"
    },
    {
      "front": "ベクトル",
      "back": "数を1列に並べた量\n特徴量をまとめて扱うための基本の形",
      "hint": "べくとる　vector\n数字　1階のテンソルにあたる\nここが問われる　機械学習では1つの入力データが1本のベクトルになる"
    },
    {
      "front": "行列",
      "back": "数を2次元に並べた表\n行と列で並べた数の集まりをいう",
      "hint": "ぎょうれつ　matrix\n数字　2階のテンソル。m×nで表す\nここが問われる　データ全体は行がサンプル、列が特徴量の行列で表す"
    },
    {
      "front": "内積",
      "back": "対応する成分の積の和\n2つのベクトルの似ている度合いを表す",
      "hint": "ないせき　inner product\n数字　結果はスカラーになる\nここが問われる　結果はベクトルではなくスカラーになる点が要点"
    },
    {
      "front": "行列積",
      "back": "行列どうしの掛け算\n左の列数と右の行数が一致しないと計算できない",
      "hint": "ぎょうれつせき　matrix product\n数字　(m×n)×(n×p)＝(m×p)\nここが問われる　交換法則は成り立たない。順序を入れ替えられない"
    },
    {
      "front": "転置",
      "back": "行と列を入れ替える操作\n(i,j)成分を(j,i)成分に移す",
      "hint": "てんち　transpose\n数字　記号はTを右肩に付ける\nここが問われる　積の転置は順序が逆になる。展開の向きに注意する"
    },
    {
      "front": "単位行列",
      "back": "掛けても変わらない行列\n対角成分が1でほかが0の正方行列",
      "hint": "たんいぎょうれつ　identity matrix\n数字　記号はI。AI＝IA＝A\nここが問われる　数でいう1に相当する。掛けても相手が変わらない"
    },
    {
      "front": "逆行列",
      "back": "掛けると単位行列になる\n元の行列と掛けてIになる行列をいう",
      "hint": "ぎゃくぎょうれつ　inverse matrix\n数字　行列式が0だと存在しない\nここが問われる　正方行列でも行列式が0なら逆行列は存在しない"
    },
    {
      "front": "行列式",
      "back": "正方行列に定まる数値\n値が0かどうかで逆行列の有無が決まる",
      "hint": "ぎょうれつしき　determinant\n数字　0なら特異。逆行列を持たない\nここが問われる　固有値の積が行列式になるという関係も押さえる"
    },
    {
      "front": "ランク",
      "back": "独立な行や列の本数\n行列が持つ情報の実質的な次元を表す",
      "hint": "らんく　rank\n数字　フルランクなら逆行列を持つ\nここが問われる　行のランクと列のランクは必ず一致する"
    },
    {
      "front": "対称行列",
      "back": "転置しても同じ行列\n(i,j)成分と(j,i)成分が等しい行列",
      "hint": "たいしょうぎょうれつ　symmetric matrix\n数字　固有値はすべて実数になる\nここが問われる　共分散行列やグラム行列は必ず対称行列になる"
    },
    {
      "front": "直交行列",
      "back": "転置が逆行列になる行列\n列ベクトルどうしが直交し長さが1である",
      "hint": "ちょっこうぎょうれつ　orthogonal matrix\n数字　掛けても長さが変わらない\nここが問われる　回転を表す行列であり距離を保つ性質を持つ"
    },
    {
      "front": "固有値",
      "back": "変換で伸びる倍率\nAx＝λxを満たすλのことをいう",
      "hint": "こゆうち　eigenvalue\n数字　記号はλ。行列式の計算で求める\nここが問われる　向きが変わらない方向がどれだけ伸びるかを表す"
    },
    {
      "front": "固有ベクトル",
      "back": "変換で向きが変わらない軸\n行列を掛けても方向が変わらないベクトル",
      "hint": "こゆうべくとる　eigenvector\n数字　定数倍の自由度がある\nここが問われる　主成分分析ではこれがそのまま主成分の軸になる"
    },
    {
      "front": "固有値分解",
      "back": "行列を固有系に分ける操作\nA＝VΛV−1の形に書き直す分解",
      "hint": "こゆうちぶんかい　eigendecomposition\n数字　正方行列にしか使えない\nここが問われる　正方行列でないときは特異値分解を使う"
    },
    {
      "front": "特異値分解",
      "back": "任意の行列を分ける操作\nA＝UΣVTの形に分解する",
      "hint": "とくいちぶんかい　singular value decomposition\n数字　略称SVD。正方でなくてよい\nここが問われる　正方行列でなくても使える点が固有値分解との違い"
    },
    {
      "front": "主成分分析",
      "back": "分散が最大の軸を探す手法\nデータの広がりが大きい方向へ座標を取り直す",
      "hint": "しゅせいぶんぶんせき　principal component analysis\n数字　略称PCA。共分散行列の固有値\nここが問われる　寄与率の大きい順に軸を選び情報の損失を抑える"
    },
    {
      "front": "次元削減",
      "back": "特徴量の数を減らす操作\n情報をできるだけ保ったまま次元を落とす",
      "hint": "じげんさくげん　dimensionality reduction\n数字　次元の呪いへの対策になる\nここが問われる　可視化のためだけでなく過学習の抑制にも効く"
    },
    {
      "front": "ノルム",
      "back": "ベクトルの大きさ\n原点からの距離に相当する量をいう",
      "hint": "のるむ　norm\n数字　Lpノルムとして一般化される\nここが問われる　正則化項として損失関数に足す形で頻出する"
    },
    {
      "front": "L1ノルム",
      "back": "成分の絶対値の和\nマンハッタン距離に対応するノルム",
      "hint": "えるいちのるむ　L1 norm\n数字　Lasso回帰の正則化項\nここが問われる　解が0になりやすくスパースな重みが得られる"
    },
    {
      "front": "L2ノルム",
      "back": "成分の2乗和の平方根\nユークリッド距離に対応するノルム",
      "hint": "えるつーのるむ　L2 norm\n数字　Ridge回帰・重み減衰で使う\nここが問われる　0にはならず全体的に小さくする方向に働く"
    },
    {
      "front": "ユークリッド距離",
      "back": "2点間の直線距離\n差のベクトルのL2ノルムに等しい",
      "hint": "ゆーくりっどきょり　Euclidean distance\n数字　最も基本的な距離の定義\nここが問われる　スケールの違う特徴量が混ざると意味を失う"
    },
    {
      "front": "コサイン類似度",
      "back": "向きの近さを測る指標\n内積をノルムの積で割った値をいう",
      "hint": "こさいんるいじど　cosine similarity\n数字　値の範囲は−1から1\nここが問われる　大きさを無視して向きだけを比べるので文書比較に向く"
    },
    {
      "front": "マハラノビス距離",
      "back": "分散を考えた距離\n共分散行列で正規化した距離をいう",
      "hint": "まはらのびすきょり　Mahalanobis distance\n数字　異常検知に使われる\nここが問われる　相関のある特徴量でも正しく距離を測れる"
    },
    {
      "front": "微分",
      "back": "変化の割合を求める操作\nある点での接線の傾きを求める",
      "hint": "びぶん　differentiation\n数字　学習は微分に基づいて進む\nここが問われる　深層学習の学習はすべて微分の計算に帰着する"
    },
    {
      "front": "偏微分",
      "back": "1変数だけで微分する操作\nほかの変数を定数とみなして微分する",
      "hint": "へんびぶん　partial derivative\n数字　記号は∂を使う\nここが問われる　重みは何万個もあるので必ず偏微分の形で扱う"
    },
    {
      "front": "勾配",
      "back": "偏微分を並べたベクトル\n最も急に増える方向とその大きさを表す",
      "hint": "こうばい　gradient\n数字　記号は∇。逆向きに進む\nここが問われる　増える方向を指すので更新では符号を反転させる"
    },
    {
      "front": "連鎖律",
      "back": "合成関数の微分の規則\n微分どうしの積で全体の微分を求める",
      "hint": "れんさりつ　chain rule\n数字　誤差逆伝播の理論的な根拠\nここが問われる　層をさかのぼって勾配を掛け合わせる根拠になっている"
    },
    {
      "front": "ヤコビ行列",
      "back": "1階偏微分を並べた行列\n多変数から多変数への写像の微分を表す",
      "hint": "やこびぎょうれつ　Jacobian matrix\n数字　出力次元×入力次元の形\nここが問われる　ベクトルからベクトルへの関数の勾配にあたる"
    },
    {
      "front": "ヘッセ行列",
      "back": "2階偏微分を並べた行列\n曲がり具合を表し極値の判定に使う",
      "hint": "へっせぎょうれつ　Hessian matrix\n数字　ニュートン法で用いる\nここが問われる　計算量が次元の2乗になるため深層学習では実用しにくい"
    },
    {
      "front": "確率変数",
      "back": "値が確率的に決まる変数\n試行の結果に数値を対応させたもの",
      "hint": "かくりつへんすう　random variable\n数字　離散型と連続型がある\nここが問われる　値そのものではなく分布として扱う点が普通の変数と違う"
    },
    {
      "front": "同時確率",
      "back": "複数が同時に起こる確率\nAとBがともに起こる確率をいう",
      "hint": "どうじかくりつ　joint probability\n数字　P(A,B)と書く\nここが問われる　独立なときに限り各確率の積に分解できる"
    },
    {
      "front": "条件付き確率",
      "back": "ある条件のもとでの確率\nBが起きたという前提でAが起こる確率",
      "hint": "じょうけんつきかくりつ　conditional probability\n数字　P(A|B)＝P(A,B)/P(B)\nここが問われる　縦棒の左右を取り違えると値がまったく変わる"
    },
    {
      "front": "周辺化",
      "back": "不要な変数を消す操作\n同時分布を対象外の変数について足し合わせる",
      "hint": "しゅうへんか　marginalization\n数字　連続なら積分で消す\nここが問われる　変分推論や生成モデルの導出で繰り返し使う操作である"
    },
    {
      "front": "独立",
      "back": "互いに影響しない関係\n一方の結果が他方の確率を変えない関係",
      "hint": "どくりつ　independence\n数字　P(A,B)＝P(A)P(B)\nここが問われる　相関がないことと独立であることは同じではない"
    },
    {
      "front": "ベイズの定理",
      "back": "原因の確率を求める式\n結果から原因の確率を逆算する関係式",
      "hint": "べいずのていり　Bayes theorem\n数字　事後∝尤度×事前\nここが問われる　分母は正規化のための定数として扱われることが多い"
    },
    {
      "front": "期待値",
      "back": "確率で重み付けした平均\n値とその確率の積を全体で足した値",
      "hint": "きたいち　expectation\n数字　記号はE[X]\nここが問われる　線形性が成り立つので和の期待値は期待値の和になる"
    },
    {
      "front": "分散",
      "back": "ばらつきの大きさ\n期待値からの差の2乗の期待値をいう",
      "hint": "ぶんさん　variance\n数字　V[X]＝E[X2]−E[X]2\nここが問われる　平方根をとると標準偏差になり単位がそろう"
    },
    {
      "front": "ベルヌーイ分布",
      "back": "2値の1回試行の分布\n成功か失敗かの1回の試行を表す分布",
      "hint": "べるぬーいぶんぷ　Bernoulli distribution\n数字　期待値はp、分散はp(1−p)\nここが問われる　二値分類の出力はこの分布を仮定していると考えられる"
    },
    {
      "front": "二項分布",
      "back": "2値をn回繰り返す分布\n独立な試行をn回行った成功回数の分布",
      "hint": "にこうぶんぷ　binomial distribution\n数字　期待値np、分散np(1−p)\nここが問われる　nが大きいと正規分布で近似できる"
    },
    {
      "front": "正規分布",
      "back": "左右対称の釣鐘型の分布\n平均と分散の2つで形が決まる分布",
      "hint": "せいきぶんぷ　normal distribution\n数字　ガウス分布ともいう\nここが問われる　多くの手法が誤差にこの分布を仮定して導かれている"
    },
    {
      "front": "多項分布",
      "back": "3値以上の試行の分布\nカテゴリが3つ以上の場合へ拡張した分布",
      "hint": "たこうぶんぷ　multinomial distribution\n数字　ソフトマックスと対応する\nここが問われる　多クラス分類の出力はこの分布を仮定している"
    },
    {
      "front": "尤度",
      "back": "データの現れやすさ\nパラメータを固定してデータの確率を見る",
      "hint": "ゆうど　likelihood\n数字　確率と見る向きが逆になる\nここが問われる　データを固定して確率と見るか、パラメータの関数と見るかの違い"
    },
    {
      "front": "最尤推定",
      "back": "尤度を最大にする推定\n観測データが最も現れやすいパラメータを選ぶ",
      "hint": "さいゆうすいてい　maximum likelihood estimation\n数字　略称MLE。対数をとって解く\nここが問われる　交差エントロピー誤差の最小化と同じことをしている"
    },
    {
      "front": "対数尤度",
      "back": "尤度の対数をとった量\n積が和になり計算しやすくなる",
      "hint": "たいすうゆうど　log likelihood\n数字　単調増加なので最大点は同じ\nここが問われる　対数をとっても最大値を与えるパラメータは変わらない"
    },
    {
      "front": "事前分布",
      "back": "データを見る前の信念\nパラメータについてあらかじめ持つ分布",
      "hint": "じぜんぶんぷ　prior distribution\n数字　ベイズの定理の右辺に現れる\nここが問われる　正則化項は事前分布を置いたことと数学的に対応する"
    },
    {
      "front": "事後確率最大化",
      "back": "事後分布を最大にする推定\n事前分布を考えたうえで最も確からしい値を選ぶ",
      "hint": "じごかくりつさいだいか　maximum a posteriori\n数字　略称MAP。事前分布が正則化に対応\nここが問われる　事前分布を一様にすると最尤推定と一致する"
    },
    {
      "front": "共役事前分布",
      "back": "事後分布が同じ形になる事前\n計算が閉じた形で進むよう選ぶ事前分布",
      "hint": "きょうやくじぜんぶんぷ　conjugate prior\n数字　ベータ分布と二項分布など\nここが問われる　解析的に解けるので計算が簡単になるという利点がある"
    },
    {
      "front": "情報量",
      "back": "その事象の珍しさ\n起こりにくい事象ほど大きくなる量",
      "hint": "じょうほうりょう　information content\n数字　−log p(x)で定義する\nここが問われる　確率が1の事象の情報量は0になる"
    },
    {
      "front": "エントロピー",
      "back": "情報量の期待値\n分布の不確かさの大きさを表す量",
      "hint": "えんとろぴー　entropy\n数字　一様分布のとき最大になる\nここが問われる　予測しにくい分布ほど値が大きくなる"
    },
    {
      "front": "交差エントロピー",
      "back": "2つの分布のずれの尺度\n正解分布と予測分布の食い違いを測る",
      "hint": "こうさえんとろぴー　cross entropy\n数字　分類問題の損失関数になる\nここが問われる　最小化することは最尤推定と同じことを意味する"
    },
    {
      "front": "KLダイバージェンス",
      "back": "分布間の隔たりの尺度\n2つの確率分布の違いを測る量をいう",
      "hint": "けーえるだいばーじぇんす　KL divergence\n数字　対称ではない。距離ではない\nここが問われる　入れ替えると値が変わるため距離とは呼べない"
    },
    {
      "front": "JSダイバージェンス",
      "back": "対称化した分布間の尺度\nKLを対称にして扱いやすくした量",
      "hint": "じぇーえすだいばーじぇんす　JS divergence\n数字　GANの目的関数に現れる\nここが問われる　対称なので距離に近い性質を持つ"
    },
    {
      "front": "相互情報量",
      "back": "2変数が共有する情報量\n一方を知ると他方の不確かさがどれだけ減るか",
      "hint": "そうごじょうほうりょう　mutual information\n数字　独立なら0になる\nここが問われる　特徴量選択の指標としても使われる"
    },
    {
      "front": "標本平均",
      "back": "取り出した標本の平均\n母平均を推定するために使う統計量",
      "hint": "ひょうほんへいきん　sample mean\n数字　不偏推定量になる\nここが問われる　標本が多いほど母平均に近づく"
    },
    {
      "front": "不偏分散",
      "back": "n−1で割った分散\n母分散を偏りなく推定するための計算",
      "hint": "ふへんぶんさん　unbiased variance\n数字　分母はnではなくn−1\nここが問われる　nで割ると母分散を小さく見積もってしまう"
    },
    {
      "front": "大数の法則",
      "back": "平均が真の値に近づく法則\n試行を増やすと標本平均が母平均に近づく",
      "hint": "たいすうのほうそく　law of large numbers\n数字　収束するのは平均について\nここが問われる　分布そのものではなく平均が収束するという主張である"
    },
    {
      "front": "中心極限定理",
      "back": "和が正規分布に近づく定理\n元の分布によらず標本平均が正規分布に従う",
      "hint": "ちゅうしんきょくげんていり　central limit theorem\n数字　元の分布を問わない\nここが問われる　元の分布が何であっても成り立つ点がこの定理の要点である"
    },
    {
      "front": "共分散行列",
      "back": "変数間の関係を並べた行列\n対角に分散、非対角に共分散が入る",
      "hint": "きょうぶんさんぎょうれつ　covariance matrix\n数字　必ず対称行列になる\nここが問われる　主成分分析はこの行列の固有値問題として解かれる"
    },
    {
      "front": "相関係数",
      "back": "直線的な関係の強さ\n共分散を標準偏差の積で割って正規化する",
      "hint": "そうかんけいすう　correlation coefficient\n数字　値の範囲は−1から1\nここが問われる　0でも独立とは限らない。直線関係がないだけである"
    },
    {
      "front": "外積",
      "back": "3次元での積の一種\n2つのベクトルに垂直なベクトルを返す演算",
      "hint": "がいせき　cross product\n数字　結果はベクトルになる\nここが問われる　内積と違い結果がベクトルになる"
    },
    {
      "front": "アダマール積",
      "back": "要素ごとの掛け算\n同じ形の行列の対応する要素どうしを掛ける",
      "hint": "あだまーるせき　Hadamard product\n数字　記号は丸にドット\nここが問われる　行列積とはまったく別の演算である"
    },
    {
      "front": "ブロードキャスト",
      "back": "形の違う配列を揃える規則\n足りない次元を自動で複製して計算する仕組み",
      "hint": "ぶろーどきゃすと　broadcasting\n数字　末尾の次元から合わせる\nここが問われる　意図しない形で計算が通ることがある"
    },
    {
      "front": "トレース",
      "back": "対角成分の和\n正方行列の対角にある要素を足した値をいう",
      "hint": "とれーす　trace\n数字　固有値の和に等しい\nここが問われる　行列式が固有値の積、トレースが和になる"
    },
    {
      "front": "正定値行列",
      "back": "固有値がすべて正の行列\n二次形式が常に正になる対称行列をいう",
      "hint": "せいていちぎょうれつ　positive definite\n数字　共分散行列は半正定値\nここが問われる　最適化で凸性の判定に使われる"
    },
    {
      "front": "擬似逆行列",
      "back": "正方でなくても作れる逆行列\n最小二乗解を与える一般化された逆行列",
      "hint": "ぎじぎゃくぎょうれつ　pseudo-inverse\n数字　特異値分解から作れる\nここが問われる　解が一意でない連立方程式にも使える"
    },
    {
      "front": "特異値",
      "back": "分解で得られる正の値\n行列の伸び具合を表す非負の値をいう",
      "hint": "とくいち　singular value\n数字　大きい順に並べる\nここが問われる　小さいものを捨てると低ランク近似になる"
    },
    {
      "front": "寄与率",
      "back": "その軸が説明する割合\n固有値の合計に対するその固有値の割合",
      "hint": "きよりつ　contribution ratio\n数字　累積寄与率で次元を決める\nここが問われる　何次元まで残すかの判断に使う"
    },
    {
      "front": "白色化",
      "back": "相関をなくして分散を揃える処理\n主成分方向へ回転して分散を1にする前処理",
      "hint": "はくしょくか　whitening\n数字　前処理として使う\nここが問われる　標準化より強い正規化にあたる"
    },
    {
      "front": "Lpノルム",
      "back": "ノルムの一般化\np乗の和のp乗根で定義されるノルム",
      "hint": "えるぴーのるむ　Lp norm\n数字　p=1がL1、p=2がL2\nここが問われる　pが無限大だと最大値になる"
    },
    {
      "front": "L0ノルム",
      "back": "非ゼロ要素の個数\n厳密にはノルムではないが慣用的に使う",
      "hint": "えるぜろのるむ　L0 norm\n数字　スパース性の直接の指標\nここが問われる　最適化が難しいのでL1で代用する"
    },
    {
      "front": "ヤコビアン",
      "back": "ヤコビ行列の行列式\n変数変換したときの体積の変化率を表す量",
      "hint": "やこびあん　Jacobian determinant\n数字　確率密度の変換で使う\nここが問われる　変換前後で確率の総和を保つために要る"
    },
    {
      "front": "勾配ベクトル",
      "back": "偏微分を並べたベクトル\n最も急に増える方向とその大きさを表す",
      "hint": "こうばいべくとる　gradient vector\n数字　更新では逆向きに進む\nここが問われる　増える方向を指すので符号を反転させる"
    },
    {
      "front": "テイラー展開",
      "back": "関数を多項式で近似する方法\nある点のまわりで微分を使って近似する手法",
      "hint": "ていらーてんかい　Taylor expansion\n数字　2次までで近似することが多い\nここが問われる　最適化手法の導出の出発点になる"
    },
    {
      "front": "ベイズ則の分母",
      "back": "正規化のための定数\n全体の確率を1にするための分母をいう",
      "hint": "べいずそくのぶんぼ　evidence\n数字　周辺尤度とも呼ぶ\nここが問われる　比較だけなら計算しなくてよい"
    },
    {
      "front": "条件付き独立",
      "back": "ある条件のもとでの独立\n第3の変数を固定すると独立になる関係",
      "hint": "じょうけんつきどくりつ　conditional independence\n数字　ナイーブベイズの仮定\nここが問われる　無条件の独立とは別の概念である"
    },
    {
      "front": "ポアソン分布",
      "back": "まれな事象の回数の分布\n単位時間に起こる回数を表す離散分布",
      "hint": "ぽあそんぶんぷ　Poisson distribution\n数字　期待値と分散が等しい\nここが問われる　二項分布でnが大きくpが小さいときの近似になる"
    },
    {
      "front": "指数分布",
      "back": "待ち時間の分布\n次の事象までの時間を表す連続分布をいう",
      "hint": "しすうぶんぷ　exponential distribution\n数字　無記憶性を持つ\nここが問われる　過去の経過時間が将来に影響しない"
    },
    {
      "front": "不偏推定量",
      "back": "期待値が真値に一致する推定量\n偏りのない推定を与える統計量をいう",
      "hint": "ふへんすいていりょう　unbiased estimator\n数字　不偏分散はn−1で割る\nここが問われる　最尤推定量は必ずしも不偏ではない"
    },
    {
      "front": "クロスエントロピーとKL",
      "back": "定数分だけ違う2つの量\n交差エントロピーはKLにエントロピーを足した形",
      "hint": "くろすえんとろぴーとけーえる　cross entropy and KL\n数字　最小化は同じ結果になる\nここが問われる　正解分布が固定なら最小化は等価になる"
    },
    {
      "front": "教師あり学習",
      "back": "正解つきで学ぶ方式\n入力と正解の組からその対応を学ぶ",
      "hint": "きょうしありがくしゅう　supervised learning\n数字　分類と回帰に大別される\nここが問われる　正解ラベルを人が用意する必要がありコストがかかる"
    },
    {
      "front": "教師なし学習",
      "back": "正解なしで構造を見つける\nデータそのものの構造やまとまりを見つける",
      "hint": "きょうしなしがくしゅう　unsupervised learning\n数字　クラスタリングや次元削減\nここが問われる　正解がないので評価の仕方も一意には決まらない"
    },
    {
      "front": "強化学習",
      "back": "報酬を手がかりに学ぶ方式\n試行錯誤し累積報酬が最大になる方策を学ぶ",
      "hint": "きょうかがくしゅう　reinforcement learning\n数字　状態・行動・報酬で定式化\nここが問われる　正解ではなく報酬という遅れた信号だけを手がかりにする"
    },
    {
      "front": "半教師あり学習",
      "back": "一部だけ正解がある学習\n少量のラベル付きと大量の未ラベルを併用する",
      "hint": "はんきょうしありがくしゅう　semi-supervised learning\n数字　ラベル付けの費用を抑える\nここが問われる　ラベルを付ける費用が高い分野で実務上よく使われる"
    },
    {
      "front": "自己教師あり学習",
      "back": "データ自身から正解を作る\n一部を隠して当てさせるなど疑似的な課題を解く",
      "hint": "じこきょうしありがくしゅう　self-supervised learning\n数字　BERTの事前学習が代表例\nここが問われる　人手のラベルなしに大規模な事前学習を可能にした考え方"
    },
    {
      "front": "転移学習",
      "back": "学習済みの知識を使い回す\n別の課題で学んだ重みを初期値として使う",
      "hint": "てんいがくしゅう　transfer learning\n数字　ファインチューニングと併用\nここが問われる　少ないデータでも高い性能が出せるので実務の標準になった"
    },
    {
      "front": "汎化性能",
      "back": "未知のデータへの強さ\n学習に使っていないデータでの性能をいう",
      "hint": "はんかせいのう　generalization\n数字　機械学習の最終的な目標\nここが問われる　訓練データの精度がいくら高くてもこれが低ければ意味がない"
    },
    {
      "front": "過学習",
      "back": "訓練データに合わせすぎ\n訓練誤差は下がるが検証誤差が上がる状態",
      "hint": "かがくしゅう　overfitting\n数字　バリアンスが大きい状態\nここが問われる　訓練と検証の誤差の差が開くことで検知できる"
    },
    {
      "front": "未学習",
      "back": "表現力が足りない状態\n訓練誤差すら十分に下がらない状態をいう",
      "hint": "みがくしゅう　underfitting\n数字　バイアスが大きい状態\nここが問われる　正則化を強くしすぎるとこちらに倒れる"
    },
    {
      "front": "バイアス",
      "back": "予測の系統的なずれ\nモデルの表現力不足による誤差をいう",
      "hint": "ばいあす　bias\n数字　未学習に対応する\nここが問われる　ニューラルネットのバイアス項とは別の概念である"
    },
    {
      "front": "バリアンス",
      "back": "データによる予測のぶれ\n訓練データが変わると予測が大きく変わる度合い",
      "hint": "ばりあんす　variance\n数字　過学習に対応する\nここが問われる　バイアスとの間にトレードオフの関係がある"
    },
    {
      "front": "次元の呪い",
      "back": "高次元で起きる困難\n次元が増えると必要なデータ量が指数的に増える",
      "hint": "じげんののろい　curse of dimensionality\n数字　距離の差が意味を失う\nここが問われる　高次元では点どうしの距離がどれも似た値になってしまう"
    },
    {
      "front": "訓練データ",
      "back": "重みの学習に使うデータ\nこのデータでパラメータを更新する",
      "hint": "くんれんでーた　training data\n数字　全体の6〜8割を割り当てる\nここが問われる　このデータでの精度は汎化性能の指標にはならない"
    },
    {
      "front": "検証データ",
      "back": "ハイパーパラメータ調整用\n学習中にモデルの選択や打ち切り判断に使う",
      "hint": "けんしょうでーた　validation data\n数字　早期終了の判定に使う\nここが問われる　何度も見て調整するので最終評価には使えない"
    },
    {
      "front": "テストデータ",
      "back": "最終評価だけに使うデータ\n一度きり最後に汎化性能を測るために使う",
      "hint": "てすとでーた　test data\n数字　調整には絶対に使わない\nここが問われる　調整に使うと汎化性能を過大評価してしまう"
    },
    {
      "front": "交差検証",
      "back": "分割を変えて繰り返す評価\nデータをk個に分け役割を入れ替えて評価する",
      "hint": "こうさけんしょう　cross validation\n数字　k分割交差検証が代表的\nここが問われる　データが少ないときに評価のばらつきを抑えられる"
    },
    {
      "front": "ホールドアウト法",
      "back": "一度だけ分けて評価する法\n訓練と検証に一回だけ分割して評価する",
      "hint": "ほーるどあうとほう　holdout method\n数字　計算は軽いが評価がぶれる\nここが問われる　分け方によって結果が変わるので少量データには向かない"
    },
    {
      "front": "データリーク",
      "back": "評価用の情報の混入\n本来使えない情報が学習に入り込む問題",
      "hint": "でーたりーく　data leakage\n数字　前処理を分割前に行うと起きる\nここが問われる　標準化を分割前に全体で行うと典型的なリークになる"
    },
    {
      "front": "正規化",
      "back": "値の範囲をそろえる操作\n最小0、最大1などの範囲に収める変換",
      "hint": "せいきか　normalization\n数字　Min-Maxスケーリング\nここが問われる　範囲をそろえる操作。平均0にするのは標準化のほう"
    },
    {
      "front": "標準化",
      "back": "平均0分散1にする操作\n平均を引いて標準偏差で割る変換をいう",
      "hint": "ひょうじゅんか　standardization\n数字　z＝(x−μ)/σ\nここが問われる　訓練データの平均と分散を検証やテストにも適用する"
    },
    {
      "front": "欠損値処理",
      "back": "値の抜けへの対処\n削除するか代表値などで埋めるかを選ぶ",
      "hint": "けっそんちしょり　missing value handling\n数字　平均値・中央値で補完する\nここが問われる　欠損していること自体が情報を持つ場合がある"
    },
    {
      "front": "カテゴリ変数",
      "back": "順序のない離散的な値\n色や地域のように大小関係のない変数",
      "hint": "かてごりへんすう　categorical variable\n数字　数値に変換してから使う\nここが問われる　そのまま整数を割り当てると誤った大小関係が生まれる"
    },
    {
      "front": "one-hotエンコーディング",
      "back": "1か所だけ1にする表現\nカテゴリごとに次元を作り該当箇所だけ1にする",
      "hint": "わんほっとえんこーでぃんぐ　one-hot encoding\n数字　カテゴリ数だけ次元が増える\nここが問われる　次元が増えて疎になるので分散表現へ移行する動機になる"
    },
    {
      "front": "特徴量エンジニアリング",
      "back": "有効な特徴を作る作業\nドメイン知識を使って入力を設計する",
      "hint": "とくちょうりょうえんじにありんぐ　feature engineering\n数字　深層学習では比重が下がる\nここが問われる　深層学習は特徴の抽出そのものを学習で行う点が大きな違い"
    },
    {
      "front": "混同行列",
      "back": "予測と正解の対応表\nTP・FP・FN・TNの4つに分けて数える",
      "hint": "こんどうぎょうれつ　confusion matrix\n数字　すべての指標の出発点\nここが問われる　この表さえ描ければ各指標の式は分母だけで区別できる"
    },
    {
      "front": "正解率",
      "back": "全体のうち当たった割合\n正しく分類できた件数を全件数で割った値",
      "hint": "せいかいりつ　accuracy\n数字　(TP+TN)/全体\nここが問われる　不均衡なデータでは高い値が出ても意味がない"
    },
    {
      "front": "適合率",
      "back": "陽性と予測した中の正解率\n予測が正しかった割合をいう",
      "hint": "てきごうりつ　precision\n数字　TP/(TP+FP)\nここが問われる　分母は予測が陽性だったもの。誤検知を嫌う場面で重視する"
    },
    {
      "front": "再現率",
      "back": "実際の陽性を拾えた割合\n本当の陽性のうち検出できた割合をいう",
      "hint": "さいげんりつ　recall\n数字　TP/(TP+FN)\nここが問われる　分母は実際の陽性。見落としを嫌う場面で重視する"
    },
    {
      "front": "F値",
      "back": "適合率と再現率の調和平均\n2つの指標のバランスを1つの数で表す",
      "hint": "えふち　F1 score\n数字　2PR/(P+R)\nここが問われる　算術平均ではなく調和平均である点が問われやすい"
    },
    {
      "front": "ROC曲線",
      "back": "しきい値を動かした曲線\n偽陽性率と真陽性率の関係を描いた曲線",
      "hint": "あーるおーしーきょくせん　ROC curve\n数字　左上に近いほど良い\nここが問われる　1つのしきい値ではなく全体の性能を見るための図である"
    },
    {
      "front": "AUC",
      "back": "ROC曲線の下の面積\n分類器の総合的な性能を1つの数で表す",
      "hint": "えーゆーしー　area under the curve\n数字　0.5がランダム、1が完全\nここが問われる　しきい値に依存しない指標として広く使われる"
    },
    {
      "front": "平均二乗誤差",
      "back": "誤差の2乗の平均\n回帰の代表的な損失関数であり評価指標でもある",
      "hint": "へいきんじじょうごさ　mean squared error\n数字　略称MSE。外れ値に弱い\nここが問われる　2乗するので大きな誤差の影響が強く出る"
    },
    {
      "front": "平均絶対誤差",
      "back": "誤差の絶対値の平均\n外れ値の影響を受けにくい評価指標",
      "hint": "へいきんぜったいごさ　mean absolute error\n数字　略称MAE\nここが問われる　外れ値が多いデータではこちらが適することがある"
    },
    {
      "front": "決定係数",
      "back": "説明できた分散の割合\n予測がどれだけ分散を説明できたかを表す",
      "hint": "けっていけいすう　coefficient of determination\n数字　記号はR2。1に近いほど良い\nここが問われる　特徴量を増やすだけで値が上がるので自由度調整版を使う"
    },
    {
      "front": "不均衡データ",
      "back": "クラスの件数が偏るデータ\n陽性が極端に少ないような状況をいう",
      "hint": "ふきんこうでーた　imbalanced data\n数字　正解率が役に立たなくなる\nここが問われる　多数派を答えるだけで高い正解率になってしまう"
    },
    {
      "front": "PR曲線",
      "back": "適合率と再現率の関係曲線\nしきい値を変えたときの両者の関係を描く",
      "hint": "ぴーあーるきょくせん　precision-recall curve\n数字　不均衡データで有効\nここが問われる　陽性が非常に少ない場合はROCよりこちらが実態を反映する"
    },
    {
      "front": "線形回帰",
      "back": "直線で当てはめる回帰\n入力の線形結合で連続値を予測する",
      "hint": "せんけいかいき　linear regression\n数字　損失は平均二乗誤差\nここが問われる　予測値は連続値。分類には使えない"
    },
    {
      "front": "最小二乗法",
      "back": "二乗誤差を最小にする解法\n誤差の2乗和が最小になる係数を求める",
      "hint": "さいしょうにじょうほう　least squares method\n数字　正規方程式で解析的に解ける\nここが問われる　誤差が正規分布に従うと仮定した最尤推定と一致する"
    },
    {
      "front": "ロジスティック回帰",
      "back": "確率を出す分類の手法\n線形結合をシグモイドで0〜1に変換する",
      "hint": "ろじすてぃっくかいき　logistic regression\n数字　名前は回帰だが分類の手法\nここが問われる　名前に回帰とあるが解いているのは分類である"
    },
    {
      "front": "Ridge回帰",
      "back": "L2正則化つきの回帰\n重みの2乗和を罰則として加える",
      "hint": "りっじかいき　ridge regression\n数字　重み減衰と同じ考え方\nここが問われる　重みは小さくなるが完全に0にはならない"
    },
    {
      "front": "Lasso回帰",
      "back": "L1正則化つきの回帰\n重みの絶対値の和を罰則として加える",
      "hint": "らっそかいき　lasso regression\n数字　不要な重みが0になる\nここが問われる　変数選択の効果があり解が疎になるのが最大の特徴"
    },
    {
      "front": "多重共線性",
      "back": "説明変数どうしの強い相関\n係数が不安定になり解釈できなくなる問題",
      "hint": "たじゅうきょうせんせい　multicollinearity\n数字　正則化で緩和できる\nここが問われる　予測はできても係数の解釈が信用できなくなる"
    },
    {
      "front": "決定木",
      "back": "条件分岐で分ける手法\n特徴量のしきい値で順に枝分かれさせる",
      "hint": "けっていぎ　decision tree\n数字　解釈しやすいのが利点\nここが問われる　そのままでは深くしすぎると過学習しやすい"
    },
    {
      "front": "ジニ不純度",
      "back": "分割の良さを測る指標\nそのノードの混ざり具合を表す量をいう",
      "hint": "じにふじゅんど　Gini impurity\n数字　小さいほど純粋\nここが問われる　エントロピーを使う実装もあり考え方は同じである"
    },
    {
      "front": "バギング",
      "back": "並列に学習して多数決\n復元抽出した部分データで多数のモデルを作る",
      "hint": "ばぎんぐ　bagging\n数字　バリアンスを下げる\nここが問われる　並列に学習でき、狙いはバリアンスの低減にある"
    },
    {
      "front": "ランダムフォレスト",
      "back": "決定木のバギング\nデータと特徴量の両方をランダムに選ぶ",
      "hint": "らんだむふぉれすと　random forest\n数字　特徴量もランダムに選ぶ\nここが問われる　データだけでなく特徴量もサンプリングする点が独自の工夫"
    },
    {
      "front": "ブースティング",
      "back": "直列に誤りを補正する学習\n前のモデルの誤りを次のモデルが重点的に学ぶ",
      "hint": "ぶーすてぃんぐ　boosting\n数字　バイアスを下げる\nここが問われる　逐次的なので並列化しにくい。狙いはバイアスの低減"
    },
    {
      "front": "勾配ブースティング",
      "back": "残差を勾配で学ぶ手法\n損失の勾配に木を当てはめて逐次改善する",
      "hint": "こうばいぶーすてぃんぐ　gradient boosting\n数字　XGBoostやLightGBMが実装\nここが問われる　表形式データでは今も深層学習より強いことが多い"
    },
    {
      "front": "サポートベクトルマシン",
      "back": "マージンを最大化する分類\n境界に最も近い点との距離を最大にする",
      "hint": "さぽーとべくたーましん　support vector machine\n数字　略称SVM\nここが問われる　境界の決定には一部の点だけが効き他は影響しない"
    },
    {
      "front": "マージン",
      "back": "境界と最近点との距離\nこの幅を最大にするように境界を決める",
      "hint": "まーじん　margin\n数字　大きいほど汎化しやすい\nここが問われる　最大化することが汎化性能の向上につながると考える"
    },
    {
      "front": "スラック変数",
      "back": "誤分類を許す余裕の変数\n完全に分けられないデータへ対応するための変数",
      "hint": "すらっくへんすう　slack variable\n数字　ソフトマージンで使う\nここが問われる　許容の度合いはハイパーパラメータで調整する"
    },
    {
      "front": "カーネル法",
      "back": "高次元へ写して分ける工夫\n内積だけを計算し高次元への写像を省略する",
      "hint": "かーねるほう　kernel method\n数字　カーネルトリックという\nここが問われる　写像そのものを計算せず内積だけで済ませるのが要点"
    },
    {
      "front": "k近傍法",
      "back": "近いk個で多数決する手法\n学習らしい学習をせず予測時に近傍を探す",
      "hint": "けーきんぼうほう　k-nearest neighbor\n数字　略称kNN。怠惰学習\nここが問われる　学習は速いが予測時の計算量が大きくなる"
    },
    {
      "front": "ナイーブベイズ",
      "back": "独立を仮定したベイズ分類\n特徴量どうしが独立という強い仮定を置く",
      "hint": "ないーぶべいず　naive Bayes\n数字　文書分類で使われる\nここが問われる　仮定は現実には成り立たないが実用上はよく機能する"
    },
    {
      "front": "k-means法",
      "back": "重心でまとめる分割手法\nk個の重心を更新しながらデータを割り当てる",
      "hint": "けーみーんずほう　k-means\n数字　kは人が決める\nここが問われる　初期値によって結果が変わるので複数回試すのが基本"
    },
    {
      "front": "階層クラスタリング",
      "back": "入れ子でまとめる手法\n近いものから順に併合または分割していく",
      "hint": "かいそうくらすたりんぐ　hierarchical clustering\n数字　樹形図で結果を表す\nここが問われる　クラスタ数を先に決めなくてよいのが利点である"
    },
    {
      "front": "デンドログラム",
      "back": "併合の過程を示す樹形図\nどの高さで切るかでクラスタ数が決まる",
      "hint": "でんどろぐらむ　dendrogram\n数字　切る高さで分割数が変わる\nここが問われる　結果を見てからクラスタ数を決められる"
    },
    {
      "front": "エルボー法",
      "back": "クラスタ数を決める目安\n誤差の減り方が緩む点を選ぶ方法",
      "hint": "えるぼーほう　elbow method\n数字　折れ曲がる点を採る\nここが問われる　明確な折れ曲がりが出ないことも多く判断は主観的になる"
    },
    {
      "front": "t-SNE",
      "back": "高次元を2次元に描く手法\n近いものが近くに来るよう配置して可視化する",
      "hint": "てぃーすねー　t-SNE\n数字　可視化専用と考える\nここが問われる　距離の大小や軸の意味は保たれないので解釈に注意する"
    },
    {
      "front": "異常検知",
      "back": "まれな異常を見つける課題\n正常データの分布から外れたものを検出する",
      "hint": "いじょうけんち　anomaly detection\n数字　不均衡データの典型例\nここが問われる　異常のラベルがほとんど得られない点が課題の本質である"
    },
    {
      "front": "能動学習",
      "back": "ラベルを付ける対象を選ぶ学習\n効果の大きいデータを選んでラベル付けする方式",
      "hint": "のうどうがくしゅう　active learning\n数字　ラベル付けの費用を抑える\nここが問われる　限られた予算で精度を上げる工夫である"
    },
    {
      "front": "マルチタスク学習",
      "back": "複数の課題を同時に学ぶ\n共通の表現を共有して複数の課題を学習する方式",
      "hint": "まるちたすくがくしゅう　multi-task learning\n数字　正則化の効果もある\nここが問われる　課題どうしが関連しているほど効く"
    },
    {
      "front": "学習曲線の読み方",
      "back": "2本の差で診断する\n訓練誤差と検証誤差の関係から状態を判断する",
      "hint": "がくしゅうきょくせんのよみかた　reading learning curves\n数字　差が開けば過学習\nここが問われる　両方高ければ未学習、差が大きければ過学習"
    },
    {
      "front": "データ量と性能",
      "back": "データを増やすと汎化が上がる\n過学習を抑える最も確実な手段になる",
      "hint": "でーたりょうとせいのう　data size effect\n数字　増やせるなら最優先\nここが問われる　正則化よりもまずデータを疑う"
    },
    {
      "front": "ノーフリーランチ定理",
      "back": "万能な手法はないという定理\nすべての問題で最良の手法は存在しない",
      "hint": "のーふりーらんちていり　no free lunch\n数字　前提を置いて初めて優劣が出る\nここが問われる　課題に合わせて手法を選ぶ根拠になる"
    },
    {
      "front": "層化抽出",
      "back": "クラス比を保って分ける方法\n分割してもクラスの割合が変わらないようにする",
      "hint": "そうかちゅうしゅつ　stratified sampling\n数字　不均衡データで重要になる\nここが問われる　偏った分割は評価を歪める"
    },
    {
      "front": "時系列データの分割",
      "back": "時間の順序を守って分ける\n未来のデータで学習しないよう分割する方法",
      "hint": "じけいれつでーたのぶんかつ　time series split\n数字　ランダム分割してはいけない\nここが問われる　ランダムに分けると未来を見てしまう"
    },
    {
      "front": "リサンプリング",
      "back": "クラスの偏りを直す操作\n少数派を増やすか多数派を減らす処理",
      "hint": "りさんぷりんぐ　resampling\n数字　SMOTEなどがある\nここが問われる　評価データには適用してはいけない"
    },
    {
      "front": "外れ値処理",
      "back": "極端な値への対処\n誤りか本物かを見極めてから扱いを決める",
      "hint": "はずれちしょり　outlier handling\n数字　除去・変換・そのまま\nここが問われる　本物の外れ値を消すと情報が失われる"
    },
    {
      "front": "対数変換",
      "back": "分布の偏りを直す変換\n裾の長い分布を対数で圧縮する前処理",
      "hint": "たいすうへんかん　log transform\n数字　0を含む場合は工夫が要る\nここが問われる　歪んだ分布を正規分布に近づけられる"
    },
    {
      "front": "埋め込み表現",
      "back": "カテゴリを密なベクトルに\n高次元の疎な表現を低次元の密な表現に変える",
      "hint": "うめこみひょうげん　embedding\n数字　学習で獲得できる\nここが問われる　カテゴリ数が多いときに有効である"
    },
    {
      "front": "マクロ平均とマイクロ平均",
      "back": "クラスごとか全体かの平均\nクラス平均をとるか全件をまとめて計算するか",
      "hint": "まくろとまいくろ　macro and micro average\n数字　不均衡では値が大きく違う\nここが問われる　どちらを使うかで結論が変わることがある"
    },
    {
      "front": "特異度",
      "back": "陰性を陰性と当てる割合\n実際の陰性のうち正しく陰性とした割合",
      "hint": "とくいど　specificity\n数字　TN/(TN+FP)\nここが問われる　再現率と対になる指標である"
    },
    {
      "front": "しきい値の調整",
      "back": "判定の境目を動かすこと\n適合率と再現率のつり合いを調整する操作",
      "hint": "しきいちのちょうせい　threshold tuning\n数字　0.5が最適とは限らない\nここが問われる　課題によって最適なしきい値は変わる"
    },
    {
      "front": "平均絶対百分率誤差",
      "back": "割合で見る回帰の誤差\n誤差を実測値で割った百分率の平均をいう",
      "hint": "へいきんぜったいひゃくぶんりつごさ　MAPE\n数字　0に近い実測値で発散する\nここが問われる　スケールの違うデータを比べられる"
    },
    {
      "front": "自由度調整済み決定係数",
      "back": "変数の数で補正した決定係数\n特徴量を増やしても勝手に上がらない指標",
      "hint": "じゆうどちょうせいずみけっていけいすう　adjusted R2\n数字　説明変数の数で補正する\nここが問われる　無意味な変数を足すと下がる"
    },
    {
      "front": "AICとBIC",
      "back": "モデル選択の情報量規準\n当てはまりと複雑さのつり合いで選ぶ基準",
      "hint": "えーあいしーとびーあいしー　AIC and BIC\n数字　小さいほど良い\nここが問われる　BICのほうが複雑さへの罰則が強い"
    },
    {
      "front": "エラスティックネット",
      "back": "L1とL2を混ぜた正則化\nLassoの変数選択とRidgeの安定性を併せ持つ",
      "hint": "えらすてぃっくねっと　elastic net\n数字　2つの罰則を重み付けで混ぜる\nここが問われる　相関の強い変数群をまとめて選べる"
    },
    {
      "front": "勾配ブースティングの実装",
      "back": "XGBoostとLightGBM\n表形式データで強い勾配ブースティングの実装",
      "hint": "こうばいぶーすてぃんぐのじっそう　GBDT implementations\n数字　分割の探索方法が違う\nここが問われる　深層学習より強いことが多い領域である"
    },
    {
      "front": "スタッキング",
      "back": "予測を入力にする統合法\n複数モデルの出力をさらに別のモデルで統合する",
      "hint": "すたっきんぐ　stacking\n数字　漏れを防ぐ分割が要る\nここが問われる　交差検証で予測を作らないと漏れる"
    },
    {
      "front": "人工ニューロン",
      "back": "入力を重み付けて出す素子\n入力の線形結合に活性化関数をかけて出力する",
      "hint": "じんこうにゅーろん　artificial neuron\n数字　脳の神経細胞を模した単位\nここが問われる　線形結合だけでは表現力がなく活性化関数が不可欠になる"
    },
    {
      "front": "パーセプトロン",
      "back": "最も単純な線形分類器\n重み付き和がしきい値を超えるかで出力を決める",
      "hint": "ぱーせぷとろん　perceptron\n数字　単層では線形分離のみ可能\nここが問われる　XORが解けないことが多層化への出発点になった"
    },
    {
      "front": "多層パーセプトロン",
      "back": "層を重ねたネットワーク\n入力層と出力層の間に隠れ層を持つ構造",
      "hint": "たそうぱーせぷとろん　multilayer perceptron\n数字　略称MLP。全結合層の積み重ね\nここが問われる　層を重ねても活性化関数がなければ1層と等価になる"
    },
    {
      "front": "全結合層",
      "back": "すべてを結ぶ層\n前の層の全ユニットと結合を持つ層をいう",
      "hint": "ぜんけつごうそう　fully connected layer\n数字　パラメータ数が最も多くなる\nここが問われる　畳み込み層に比べてパラメータが爆発的に増える"
    },
    {
      "front": "重み",
      "back": "結合の強さを表す値\n学習によって更新される主要なパラメータ",
      "hint": "おもみ　weight\n数字　勾配降下法で更新する\nここが問われる　この値を調整することが学習そのものである"
    },
    {
      "front": "バイアス項",
      "back": "出力をずらす定数\n線形結合に加える切片にあたる項",
      "hint": "ばいあすこう　bias term\n数字　正則化の対象に含めないことが多い\nここが問われる　バイアスとバリアンスのバイアスとは別の概念である"
    },
    {
      "front": "順伝播",
      "back": "入力から出力へ計算する\n層を順に通して予測値を求める処理",
      "hint": "じゅんでんぱ　forward propagation\n数字　推論時はこれだけを行う\nここが問われる　学習時も推論時も必ず最初にこの計算を行う"
    },
    {
      "front": "入力層",
      "back": "データを受け取る層\n特徴量の次元と同じユニット数を持つ",
      "hint": "にゅうりょくそう　input layer\n数字　計算は行わない\nここが問われる　層の数を数えるとき入力層は含めないことが多い"
    },
    {
      "front": "隠れ層",
      "back": "入出力の間にある層\n入力を段階的に抽象化した表現へ変える",
      "hint": "かくれそう　hidden layer\n数字　深さは層の数で表す\nここが問われる　ここで特徴の抽出そのものが学習される"
    },
    {
      "front": "出力層",
      "back": "最終的な答えを出す層\n課題に応じて活性化関数と損失を選ぶ",
      "hint": "しゅつりょくそう　output layer\n数字　分類はソフトマックス\nここが問われる　回帰なら恒等関数、二値分類ならシグモイドを使う"
    },
    {
      "front": "活性化関数",
      "back": "非線形性を与える関数\n線形結合の結果を非線形に変換する",
      "hint": "かっせいかかんすう　activation function\n数字　これがないと層を重ねる意味がない\nここが問われる　なければ何層重ねても1つの線形変換と等価になる"
    },
    {
      "front": "線形分離不可能",
      "back": "直線では分けられない状態\nXOR問題が代表例として知られる",
      "hint": "せんけいぶんりふかのう　not linearly separable\n数字　単層パーセプトロンの限界\nここが問われる　隠れ層を入れて非線形変換すれば分離できるようになる"
    },
    {
      "front": "ステップ関数",
      "back": "0か1を返す関数\nしきい値で出力が切り替わる関数をいう",
      "hint": "すてっぷかんすう　step function\n数字　微分がほぼ0で学習できない\nここが問われる　微分できないため誤差逆伝播が使えない"
    },
    {
      "front": "シグモイド関数",
      "back": "0〜1に押し込む関数\nなめらかなS字型で確率として解釈できる",
      "hint": "しぐもいどかんすう　sigmoid function\n数字　微分の最大値は0.25\nここが問われる　微分が最大でも0.25なので層を重ねると勾配が消える"
    },
    {
      "front": "tanh関数",
      "back": "−1〜1に押し込む関数\nシグモイドを上下に広げた形の関数",
      "hint": "たんじぇんとはいぱぼりっく　hyperbolic tangent\n数字　微分の最大値は1\nここが問われる　出力の平均が0になるのでシグモイドより学習が進みやすい"
    },
    {
      "front": "ReLU",
      "back": "負を0にする関数\n正の領域は入力をそのまま通す関数",
      "hint": "れる　rectified linear unit\n数字　正の領域の微分は常に1\nここが問われる　正の側で微分が1なので勾配が消えにくく学習が速い"
    },
    {
      "front": "Leaky ReLU",
      "back": "負にも小さな傾きを持つ\n負の領域で0ではなく小さな値を返す",
      "hint": "りーきーれる　leaky ReLU\n数字　傾きは0.01程度\nここが問われる　負の側でも勾配が残るので出力が止まる問題を避けられる"
    },
    {
      "front": "ソフトマックス関数",
      "back": "合計1の確率に変える関数\n出力を指数化して総和で割り確率にする",
      "hint": "そふとまっくすかんすう　softmax function\n数字　出力の総和が必ず1になる\nここが問われる　多クラス分類の出力層で使い交差エントロピーと組にする"
    },
    {
      "front": "勾配消失",
      "back": "勾配が伝わらなくなる問題\n層をさかのぼるほど勾配が小さくなり学習が止まる",
      "hint": "こうばいしょうしつ　vanishing gradient\n数字　シグモイドで起きやすい\nここが問われる　1未満の微分を何度も掛けることで指数的に小さくなる"
    },
    {
      "front": "勾配爆発",
      "back": "勾配が発散する問題\n逆伝播の途中で勾配が急激に大きくなる",
      "hint": "こうばいばくはつ　exploding gradient\n数字　勾配クリッピングで対処\nここが問われる　消失とは逆の問題であり対処法も別である"
    },
    {
      "front": "死んだReLU",
      "back": "出力が0で固まる現象\n負の側に入ったまま勾配が0になり回復しない",
      "hint": "しんだれる　dying ReLU\n数字　学習率が大きいと起きやすい\nここが問われる　一度この状態になるとその素子は二度と学習しない"
    },
    {
      "front": "GELU",
      "back": "確率的にゲートする関数\n入力の大きさに応じてなめらかに通す関数",
      "hint": "じぇる　GELU\n数字　Transformerで採用される\nここが問われる　ReLUをなめらかにした形で近年の大規模モデルで使われる"
    },
    {
      "front": "Swish",
      "back": "自己ゲート型の関数\n入力にシグモイドを掛けた形の関数",
      "hint": "すいっしゅ　Swish\n数字　x×sigmoid(x)\nここが問われる　負の側でも小さな値を通すのでReLUより滑らかである"
    },
    {
      "front": "非線形性",
      "back": "直線では表せない性質\n活性化関数が持ち込む表現力の源をいう",
      "hint": "ひせんけいせい　non-linearity\n数字　層を重ねる意味の根拠\nここが問われる　これがなければ深くしても表現力は増えない"
    },
    {
      "front": "損失関数",
      "back": "予測と正解のずれの尺度\nこの値を小さくする方向に重みを更新する",
      "hint": "そんしつかんすう　loss function\n数字　課題に応じて選ぶ\nここが問われる　何を最小化するかを決めるのが学習設計の出発点になる"
    },
    {
      "front": "二乗和誤差",
      "back": "差の2乗を足した損失\n回帰問題で標準的に使われる損失関数",
      "hint": "にじょうわごさ　sum of squared error\n数字　誤差が正規分布との仮定に対応\nここが問われる　誤差が正規分布に従うと仮定した最尤推定に対応する"
    },
    {
      "front": "交差エントロピー誤差",
      "back": "分類で使う標準的な損失\n正解ラベルの予測確率の対数にマイナスを付ける",
      "hint": "こうさえんとろぴーごさ　cross entropy loss\n数字　ソフトマックスと組で使う\nここが問われる　二乗誤差より勾配が消えにくく分類の学習が速く進む"
    },
    {
      "front": "目的関数",
      "back": "最適化の対象となる関数\n損失関数に正則化項を加えたものをいう",
      "hint": "もくてきかんすう　objective function\n数字　損失＋正則化項\nここが問われる　損失関数と同じ意味で使われることもあるので文脈で判断する"
    },
    {
      "front": "ヒンジ損失",
      "back": "マージンを促す損失\n一定の余裕を超えれば損失を0とする関数",
      "hint": "ひんじそんしつ　hinge loss\n数字　SVMで使われる\nここが問われる　正しく分類できていても余裕が足りなければ損失が出る"
    },
    {
      "front": "ラベル平滑化",
      "back": "正解を1未満にする工夫\n正解ラベルを少し緩めて過信を防ぐ",
      "hint": "らべるへいかつか　label smoothing\n数字　0.9などに置き換える\nここが問われる　出力が極端に自信過剰になることを抑える正則化の一種"
    },
    {
      "front": "誤差逆伝播法",
      "back": "勾配を効率よく求める手法\n出力側から連鎖律で勾配をさかのぼって計算する",
      "hint": "ごさぎゃくでんぱほう　backpropagation\n数字　略称BP。連鎖律が根拠\nここが問われる　勾配を求める方法であって重みを更新する方法ではない"
    },
    {
      "front": "計算グラフ",
      "back": "計算を図で表したもの\nノードを演算、辺をデータの流れとして表す",
      "hint": "けいさんぐらふ　computational graph\n数字　逆向きにたどると勾配が出る\nここが問われる　局所的な微分をつなぐだけで全体の勾配が求まる"
    },
    {
      "front": "自動微分",
      "back": "微分を機械的に求める仕組み\n計算過程を記録して連鎖律で勾配を出す",
      "hint": "じどうびぶん　automatic differentiation\n数字　フレームワークの中核機能\nここが問われる　数式を手で微分する数式微分とも数値微分とも異なる"
    },
    {
      "front": "局所勾配",
      "back": "各ノードでの微分\nそのノードの入力に対する出力の微分をいう",
      "hint": "きょくしょこうばい　local gradient\n数字　上流から来た勾配に掛ける\nここが問われる　上流の勾配と掛け合わせることで下流へ伝える"
    },
    {
      "front": "勾配確認",
      "back": "数値微分との突き合わせ\n実装した勾配が正しいかを数値微分で確かめる",
      "hint": "こうばいかくにん　gradient checking\n数字　デバッグ専用。学習では使わない\nここが問われる　計算が重いので学習そのものには使わない"
    },
    {
      "front": "誤差信号",
      "back": "逆向きに流れる勾配\n各層へ伝わる損失に対する感度をいう",
      "hint": "ごさしんごう　error signal\n数字　デルタと呼ばれることもある\nここが問われる　層を戻るにつれて小さくなるのが勾配消失である"
    },
    {
      "front": "勾配降下法",
      "back": "勾配の逆向きへ進む更新\n損失が減る方向へパラメータを少しずつ動かす",
      "hint": "こうばいこうかほう　gradient descent\n数字　w←w−η∇L\nここが問われる　勾配は増える方向を指すので必ず符号を反転させる"
    },
    {
      "front": "バッチ勾配降下法",
      "back": "全データで1回更新する法\n全件の勾配を平均して1回だけ更新する",
      "hint": "ばっちこうばいこうかほう　batch gradient descent\n数字　更新が安定だが非常に遅い\nここが問われる　1回の更新に全データを見るのでメモリと時間を食う"
    },
    {
      "front": "確率的勾配降下法",
      "back": "1件ずつ更新する方法\nデータを1つ選んで即座に更新する",
      "hint": "かくりつてきこうばいこうかほう　stochastic gradient descent\n数字　略称SGD。更新がぶれる\nここが問われる　ぶれることが局所解から抜け出す助けにもなる"
    },
    {
      "front": "ミニバッチ学習",
      "back": "少数まとめて更新する法\n数十から数百件ごとに勾配を平均して更新する",
      "hint": "みにばっちがくしゅう　mini-batch learning\n数字　実務ではこれが標準\nここが問われる　安定性と計算効率のバランスが最もよい方式である"
    },
    {
      "front": "学習率",
      "back": "1回に進む歩幅\n更新の大きさを決める最重要のハイパーパラメータ",
      "hint": "がくしゅうりつ　learning rate\n数字　記号はη。大きすぎると発散\nここが問われる　大きすぎれば発散し、小さすぎれば収束しない"
    },
    {
      "front": "学習率減衰",
      "back": "学習率を徐々に下げる工夫\nはじめは大きく、後半は小さく進める",
      "hint": "がくしゅうりつげんすい　learning rate decay\n数字　ステップ状や余弦状に下げる\nここが問われる　終盤に大きな歩幅のままだと最適解の周りで振動する"
    },
    {
      "front": "エポック",
      "back": "全データを1周する単位\n訓練データ全体を1回使い切ることをいう",
      "hint": "えぽっく　epoch\n数字　1エポック＝全データ1周\nここが問われる　何周したかを表す単位であり更新回数そのものではない"
    },
    {
      "front": "イテレーション",
      "back": "重みを1回更新する単位\nミニバッチ1つ分の処理を1回と数える",
      "hint": "いてれーしょん　iteration\n数字　1エポック＝データ数÷バッチサイズ\nここが問われる　エポックとの換算はデータ数とバッチサイズで決まる"
    },
    {
      "front": "バッチサイズ",
      "back": "1回に使うデータ件数\n勾配を平均する対象の数をいう",
      "hint": "ばっちさいず　batch size\n数字　大きいほど安定するが汎化が落ちる\nここが問われる　大きくするときは学習率も合わせて大きくするのが定石"
    },
    {
      "front": "シャッフル",
      "back": "順序を混ぜる操作\nエポックごとにデータの並び順を変える",
      "hint": "しゃっふる　shuffling\n数字　偏った更新を防ぐ\nここが問われる　並び順に偏りがあると学習が特定方向へ引きずられる"
    },
    {
      "front": "学習曲線",
      "back": "誤差の推移を描いた図\n訓練誤差と検証誤差の変化を並べて見る",
      "hint": "がくしゅうきょくせん　learning curve\n数字　2本の差が過学習の目安\nここが問われる　2本が開き始めた時点が学習を止める判断の材料になる"
    },
    {
      "front": "局所最適解",
      "back": "周囲より低いだけの解\n全体の最小ではないが勾配が0になる点",
      "hint": "きょくしょさいてきかい　local minimum\n数字　高次元では鞍点のほうが問題\nここが問われる　高次元では局所解より鞍点で止まることのほうが多い"
    },
    {
      "front": "重みの初期化",
      "back": "学習開始時の値の決め方\n出力の分散が層を通っても保たれるように選ぶ",
      "hint": "おもみのしょきか　weight initialization\n数字　活性化関数に応じて選ぶ\nここが問われる　乱数の分散の取り方で学習の成否が大きく変わる"
    },
    {
      "front": "ゼロ初期化",
      "back": "すべて0から始める方法\n学習が進まないため使ってはいけない",
      "hint": "ぜろしょきか　zero initialization\n数字　勾配がすべて同じになる\nここが問われる　全ユニットが同じ値を持ち続けるので層の意味がなくなる"
    },
    {
      "front": "対称性の破れ",
      "back": "素子ごとに違う値にすること\n乱数で初期化して同じ挙動になるのを防ぐ",
      "hint": "たいしょうせいのやぶれ　symmetry breaking\n数字　初期化を乱数にする理由\nここが問われる　同じ値で始めるとどの素子も同じ勾配を受け続ける"
    },
    {
      "front": "Xavierの初期値",
      "back": "シグモイド系向けの初期化\n前層のノード数の平方根で割る形の分散を使う",
      "hint": "ざびえのしょきち　Xavier initialization\n数字　1/√n を標準偏差にとる\nここが問われる　シグモイドやtanhと組にして使う初期化である"
    },
    {
      "front": "Heの初期値",
      "back": "ReLU向けの初期化\n負が0になる分を見込んで分散を2倍にとる",
      "hint": "へのしょきち　He initialization\n数字　√(2/n) を標準偏差にとる\nここが問われる　ReLUには必ずこちらを使う。組み合わせが問われる"
    },
    {
      "front": "勾配の分散",
      "back": "層ごとの勾配のばらつき\n層を通っても一定に保つのが初期化の狙い",
      "hint": "こうばいのぶんさん　gradient variance\n数字　消失も爆発も分散の問題\nここが問われる　初期化の理論はこの分散を保つという一点から導かれる"
    },
    {
      "front": "表現学習",
      "back": "特徴そのものを学ぶこと\n人が設計せずデータから特徴を獲得する",
      "hint": "ひょうげんがくしゅう　representation learning\n数字　深層学習の本質的な利点\nここが問われる　特徴量を人手で設計する必要がなくなった点が最大の転換"
    },
    {
      "front": "万能近似定理",
      "back": "任意の関数を近似できる定理\n隠れ層が1層でも十分な幅があれば近似できる",
      "hint": "ばんのうきんじていり　universal approximation\n数字　存在を示すだけの定理\nここが問われる　近似できることと学習で見つかることは別である"
    },
    {
      "front": "深層化",
      "back": "層を深く重ねること\n少ないパラメータで高い表現力を得られる",
      "hint": "しんそうか　going deeper\n数字　勾配消失が障害になった\nここが問われる　幅を増やすより深くするほうが効率がよいと経験的に知られる"
    },
    {
      "front": "スキップ接続",
      "back": "層を飛び越す結合\n入力をそのまま先の層へ足し込む構造をいう",
      "hint": "すきっぷせつぞく　skip connection\n数字　ResNetで導入された\nここが問われる　勾配がそのまま伝わる経路ができるため深い層でも学習できる"
    },
    {
      "front": "内部共変量シフト",
      "back": "層の入力分布が動く現象\n前の層が更新されると次の層の入力分布が変わる",
      "hint": "ないぶきょうへんりょうしふと　internal covariate shift\n数字　バッチ正規化の動機とされた\nここが問われる　近年はこれが本当の理由かどうか議論があるとされる"
    },
    {
      "front": "鞍点",
      "back": "方向により凹凸が違う点\nある方向は極小、別の方向は極大になる点",
      "hint": "あんてん　saddle point\n数字　高次元で多く現れる\nここが問われる　高次元では局所解より鞍点で停滞するほうが多いとされる"
    },
    {
      "front": "XOR問題",
      "back": "単層では解けない例\n線形分離できない代表的な問題をいう",
      "hint": "えっくすおーあーるもんだい　XOR problem\n数字　隠れ層を入れれば解ける\nここが問われる　多層化が必要になった歴史的な出発点である"
    },
    {
      "front": "パラメータ数",
      "back": "学習する重みの総数\n層の構成から計算できるモデルの規模の指標",
      "hint": "ぱらめーたすう　number of parameters\n数字　全結合は入力×出力+バイアス\nここが問われる　計算問題として出題されることがある"
    },
    {
      "front": "恒等関数",
      "back": "入力をそのまま返す関数\n回帰問題の出力層で使う活性化関数",
      "hint": "こうとうかんすう　identity function\n数字　回帰の出力層に使う\nここが問われる　二乗和誤差と組にして使う"
    },
    {
      "front": "ソフトマックスの安定化",
      "back": "あふれを防ぐ工夫\n最大値を引いてから指数をとる実装上の工夫",
      "hint": "そふとまっくすのあんていか　softmax stability\n数字　値は変わらない\nここが問われる　指数が大きくなりすぎるのを防ぐ"
    },
    {
      "front": "ハードシグモイド",
      "back": "折れ線で近似したシグモイド\n計算が軽くなる近似の活性化関数をいう",
      "hint": "はーどしぐもいど　hard sigmoid\n数字　組み込み向けで使われる\nここが問われる　精度を少し犠牲にして速さを得る"
    },
    {
      "front": "活性化関数の選び方",
      "back": "隠れ層と出力層で違う\n隠れ層はReLU系、出力層は課題で決まる",
      "hint": "かっせいかかんすうのえらびかた　choosing activation\n数字　分類はソフトマックス\nここが問われる　出力層は損失関数と対で決まる"
    },
    {
      "front": "平均二乗誤差の勾配",
      "back": "予測と正解の差に比例\n誤差そのものが勾配に現れる形になる",
      "hint": "へいきんじじょうごさのこうばい　MSE gradient\n数字　勾配は誤差に比例する\nここが問われる　分類で使うと勾配が消えやすい"
    },
    {
      "front": "Huber損失",
      "back": "外れ値に強い回帰の損失\n小さい誤差は2乗、大きい誤差は絶対値で扱う",
      "hint": "ふーばーそんしつ　Huber loss\n数字　2つの損失を切り替える\nここが問われる　外れ値の影響を抑えられる"
    },
    {
      "front": "多クラスと多ラベル",
      "back": "排他かどうかの違い\n1つだけ選ぶか複数該当しうるかの違い",
      "hint": "たくらすとたられる　multi-class and multi-label\n数字　多ラベルはシグモイドを使う\nここが問われる　多ラベルにソフトマックスは使えない"
    },
    {
      "front": "計算グラフの逆伝播",
      "back": "局所勾配を掛けながら戻る\n出力側から順に勾配を伝えていく計算",
      "hint": "けいさんぐらふのぎゃくでんぱ　backward pass\n数字　上流の勾配×局所勾配\nここが問われる　加算は分配、乗算は入れ替えて掛ける"
    },
    {
      "front": "数値微分",
      "back": "差分で微分を近似する方法\nわずかに動かして傾きを求める方法をいう",
      "hint": "すうちびぶん　numerical differentiation\n数字　中心差分が精度が高い\nここが問われる　遅いのでデバッグにしか使わない"
    },
    {
      "front": "停止勾配",
      "back": "勾配を流さない操作\n特定の経路で逆伝播を止める処理をいう",
      "hint": "ていしこうばい　stop gradient\n数字　自己教師あり学習で使う\nここが問われる　前向きの計算はそのまま通す"
    },
    {
      "front": "バッチ勾配とSGDの比較",
      "back": "安定性と速さの取引\n全件は安定だが遅く、1件は速いがぶれる",
      "hint": "ばっちこうばいとえすじーでぃー　batch vs SGD\n数字　ミニバッチが折衷案になる\nここが問われる　ぶれることが局所解からの脱出を助ける"
    },
    {
      "front": "学習率の探索",
      "back": "適切な歩幅を見つける手順\n学習率を変えて損失の下がり方を見る方法",
      "hint": "がくしゅうりつのたんさく　learning rate finding\n数字　対数スケールで探す\nここが問われる　大きすぎれば発散、小さすぎれば進まない"
    },
    {
      "front": "ウォームアップの理由",
      "back": "初期の不安定さを避けるため\n開始直後は勾配の推定が粗いので小さく進む",
      "hint": "うぉーむあっぷのりゆう　why warmup\n数字　Transformerで必須になる\nここが問われる　初期に大きく動かすと壊れやすい"
    },
    {
      "front": "イテレーションの計算",
      "back": "エポックとの換算\nデータ数をバッチサイズで割った値になる",
      "hint": "いてれーしょんのけいさん　iteration count\n数字　1エポック＝データ数÷バッチ\nここが問われる　端数の扱いで1回増えることがある"
    },
    {
      "front": "データローダ",
      "back": "ミニバッチを供給する仕組み\nシャッフルと並列読み込みを担う部品",
      "hint": "でーたろーだ　data loader\n数字　前処理も担うことが多い\nここが問われる　読み込みが遅いとGPUが遊ぶ"
    },
    {
      "front": "初期化と活性化の対応",
      "back": "組み合わせが決まっている\nReLUはHe、シグモイド系はXavier",
      "hint": "しょきかとかっせいかのたいおう　init and activation\n数字　この対応がそのまま問われる\nここが問われる　逆にすると学習が進みにくくなる"
    },
    {
      "front": "事前学習による初期化",
      "back": "学習済みの重みから始める\n乱数ではなく既存の重みを初期値にする方法",
      "hint": "じぜんがくしゅうによるしょきか　pretrained init\n数字　転移学習の基本形\nここが問われる　少ないデータでも高い性能が出せる"
    },
    {
      "front": "層の深さと表現力",
      "back": "深いほど効率よく表現できる\n同じ表現力なら深いほうがパラメータが少ない",
      "hint": "そうのふかさとひょうげんりょく　depth and capacity\n数字　幅より深さが効く\nここが問われる　ただし深いほど学習は難しくなる"
    },
    {
      "front": "モーメンタム",
      "back": "前回の更新を引き継ぐ工夫\n慣性を持たせて振動を抑え谷を進みやすくする",
      "hint": "もーめんたむ　momentum\n数字　係数は0.9が定番\nここが問われる　勾配が小さい鞍点でも慣性で抜け出せるようになる"
    },
    {
      "front": "ネステロフの加速勾配",
      "back": "先読みするモーメンタム\n進んだ先の勾配を見てから更新する",
      "hint": "ねすてろふのかそくこうばい　Nesterov accelerated grad.\n数字　略称NAG\nここが問われる　慣性で行き過ぎる分を先に見て補正するのが違いである"
    },
    {
      "front": "AdaGrad",
      "back": "更新量で学習率を調整\nよく動いた重みほど学習率を小さくする",
      "hint": "あだぐらっど　AdaGrad\n数字　勾配の2乗和を累積する\nここが問われる　累積が増え続けるので学習率が下がりすぎて止まる"
    },
    {
      "front": "RMSprop",
      "back": "指数移動平均で調整する法\n過去の勾配を忘れながら学習率を調整する",
      "hint": "あーるえむえすぷろっぷ　RMSprop\n数字　AdaGradの減衰しすぎを改善\nここが問われる　累積ではなく指数移動平均にした点が改良の要点である"
    },
    {
      "front": "Adam",
      "back": "慣性と適応の両方を持つ\n一次と二次のモーメントを両方使う手法",
      "hint": "あだむ　Adam\n数字　β1=0.9、β2=0.999が既定\nここが問われる　最も広く使われる既定の最適化手法になっている"
    },
    {
      "front": "AdamW",
      "back": "重み減衰を分離したAdam\n正則化を勾配ではなく更新式から直接引く",
      "hint": "あだむだぶりゅー　AdamW\n数字　Transformer系で標準\nここが問われる　Adamでは重み減衰が意図どおり働かない問題を修正したもの"
    },
    {
      "front": "適応的学習率",
      "back": "重みごとに歩幅を変える\n更新履歴に応じて重みごとに学習率を調整する",
      "hint": "てきおうてきがくしゅうりつ　adaptive learning rate\n数字　AdaGrad以降の系譜\nここが問われる　全体で1つの学習率を使う従来法との根本的な違いである"
    },
    {
      "front": "ウォームアップ",
      "back": "最初は学習率を小さくする\n開始直後に徐々に学習率を上げていく工夫",
      "hint": "うぉーむあっぷ　warmup\n数字　Transformerでほぼ必須\nここが問われる　初期は勾配が不安定なので大きな歩幅だと発散しやすい"
    },
    {
      "front": "学習率スケジューラ",
      "back": "学習率を計画的に変える仕組み\n学習の進み方に合わせて歩幅を制御する",
      "hint": "がくしゅうりつすけじゅーらー　LR scheduler\n数字　段階状・余弦状などがある\nここが問われる　固定の学習率より最終的な精度が上がることが多い"
    },
    {
      "front": "余弦アニーリング",
      "back": "余弦の形で下げる方式\n余弦曲線に沿ってなめらかに学習率を下げる",
      "hint": "よげんあにーりんぐ　cosine annealing\n数字　終盤ほど緩やかに下がる\nここが問われる　段階的に下げるより滑らかで安定するとされる"
    },
    {
      "front": "サイクリカル学習率",
      "back": "上下に周期的に変える方式\n下げるだけでなく途中で上げ直す",
      "hint": "さいくりかるがくしゅうりつ　cyclical learning rate\n数字　局所解からの脱出を狙う\nここが問われる　下げ続けるより広い範囲を探索できるという考え方に基づく"
    },
    {
      "front": "勾配クリッピング",
      "back": "勾配の大きさを制限する\nノルムが一定を超えたら縮めてから更新する",
      "hint": "こうばいくりっぴんぐ　gradient clipping\n数字　勾配爆発への標準的な対処\nここが問われる　消失には効かない。爆発に対する対処である点を混同しない"
    },
    {
      "front": "正則化",
      "back": "過学習を抑える工夫の総称\nモデルの自由度を制限して汎化性能を上げる",
      "hint": "せいそくか　regularization\n数字　損失に罰則を足す形が基本\nここが問われる　訓練誤差はむしろ悪化するが検証誤差が改善する"
    },
    {
      "front": "重み減衰",
      "back": "重みを小さく保つ正則化\nL2ノルムを罰則として損失に加える",
      "hint": "おもみげんすい　weight decay\n数字　Ridge回帰と同じ考え方\nここが問われる　バイアス項には通常かけない点に注意する"
    },
    {
      "front": "ドロップアウト",
      "back": "素子をランダムに無効化\n学習のたびに一部の結合を切って学習する",
      "hint": "どろっぷあうと　dropout\n数字　比率は0.5が定番\nここが問われる　推論時は無効にして出力をスケールで補正する"
    },
    {
      "front": "早期終了",
      "back": "検証誤差が悪化したら止める\n過学習が始まる手前で学習を打ち切る",
      "hint": "そうきしゅうりょう　early stopping\n数字　忍耐パラメータで待つ回数を決める\nここが問われる　訓練誤差ではなく検証誤差を見て判断する点が要点になる"
    },
    {
      "front": "ノイズ注入",
      "back": "入力や重みに雑音を加える\nわずかな揺らぎを与えて頑健性を高める",
      "hint": "のいずちゅうにゅう　noise injection\n数字　データ拡張の一種とみなせる\nここが問われる　入力に加えるとデータ拡張、重みに加えると正則化になる"
    },
    {
      "front": "アンサンブル",
      "back": "複数モデルの予測を統合\n独立に学習した複数の予測を平均や多数決でまとめる",
      "hint": "あんさんぶる　ensemble\n数字　バリアンスが下がる\nここが問われる　ドロップアウトは擬似的にこれを行っていると解釈できる"
    },
    {
      "front": "データ拡張",
      "back": "変換でデータを水増しする\n元データに変換を加えて学習データを増やす",
      "hint": "でーたかくちょう　data augmentation\n数字　画像で特に有効\nここが問われる　正解ラベルが変わらない変換だけを選ぶ必要がある"
    },
    {
      "front": "ランダムクロップ",
      "back": "一部を切り出す拡張\n毎回異なる位置を切り取って入力する",
      "hint": "らんだむくろっぷ　random crop\n数字　位置の変化に強くする\nここが問われる　切り出しで対象が外れないよう範囲の設定に注意する"
    },
    {
      "front": "反転と回転",
      "back": "向きを変える拡張\n左右反転や小さな回転を加える",
      "hint": "はんてんとかいてん　flip and rotation\n数字　数字や文字では使えないことがある\nここが問われる　6と9のように反転で意味が変わる対象には使えない"
    },
    {
      "front": "Mixup",
      "back": "2枚を混ぜ合わせる拡張\n画像とラベルの両方を線形に混合する",
      "hint": "みっくすあっぷ　mixup\n数字　ラベルも同じ比率で混ぜる\nここが問われる　入力だけでなく正解ラベルも混ぜるのが要点である"
    },
    {
      "front": "CutMix",
      "back": "一部を貼り替える拡張\n別の画像の一部を切り貼りしラベルも面積比で混ぜる",
      "hint": "かっとみっくす　CutMix\n数字　面積の比でラベルを配分\nここが問われる　混ぜるのではなく置き換える点がMixupとの違いである"
    },
    {
      "front": "ランダム消去",
      "back": "一部を隠す拡張\n矩形領域を塗りつぶして隠す",
      "hint": "らんだむしょうきょ　random erasing\n数字　遮蔽に対する頑健性を高める\nここが問われる　一部が見えなくても判断できるモデルになることを狙う"
    },
    {
      "front": "バッチ正規化",
      "back": "ミニバッチ単位で正規化\n層の出力を平均0分散1に整えてから次へ渡す",
      "hint": "ばっちせいきか　batch normalization\n数字　学習時と推論時で挙動が違う\nここが問われる　推論時は学習中に蓄えた移動平均の統計量を使う"
    },
    {
      "front": "レイヤー正規化",
      "back": "1サンプル内で正規化\nバッチではなく特徴量の方向で正規化する",
      "hint": "れいやーせいきか　layer normalization\n数字　Transformerで標準的\nここが問われる　バッチサイズに依存しないので系列データに向く"
    },
    {
      "front": "インスタンス正規化",
      "back": "1枚1チャネルで正規化\nサンプルごとチャネルごとに統計量を取る",
      "hint": "いんすたんすせいきか　instance normalization\n数字　スタイル変換で使われる\nここが問われる　画風の情報が統計量に含まれるため画像生成で有効になる"
    },
    {
      "front": "グループ正規化",
      "back": "チャネルを束ねて正規化\nチャネルをいくつかの組に分けて統計量を取る",
      "hint": "ぐるーぷせいきか　group normalization\n数字　小さいバッチでも安定\nここが問われる　バッチサイズが小さい物体検出などで使われる"
    },
    {
      "front": "スケールとシフト",
      "back": "正規化後の学習可能な変換\n正規化した値をγ倍しβを足す操作",
      "hint": "すけーるとしふと　scale and shift\n数字　γとβは学習で決まる\nここが問われる　正規化で失われる表現力を取り戻すための仕組みである"
    },
    {
      "front": "推論時の統計量",
      "back": "学習中に蓄えた平均と分散\n推論ではバッチではなくこの値を使う",
      "hint": "すいろんじのとうけいりょう　running statistics\n数字　移動平均で更新する\nここが問われる　切り替えを忘れると推論結果がバッチ構成に依存してしまう"
    },
    {
      "front": "ハイパーパラメータ",
      "back": "学習で決まらない設定値\n層数・学習率・バッチサイズなど人が決める値",
      "hint": "はいぱーぱらめーた　hyperparameter\n数字　重みとは区別する\nここが問われる　学習で更新される重みとは性質がまったく異なる"
    },
    {
      "front": "グリッドサーチ",
      "back": "格子状に全通り試す探索\n候補値の全組み合わせを網羅的に試す",
      "hint": "ぐりっどさーち　grid search\n数字　候補が増えると爆発する\nここが問われる　次元が増えると組み合わせ数が指数的に増える"
    },
    {
      "front": "ランダムサーチ",
      "back": "ランダムに選んで試す探索\n範囲内から無作為に組み合わせを選ぶ",
      "hint": "らんだむさーち　random search\n数字　同じ試行数ならグリッドより有利\nここが問われる　効く軸だけ多様に試せるので効率がよいと知られる"
    },
    {
      "front": "ベイズ最適化",
      "back": "過去の結果から次を選ぶ探索\n有望そうな組み合わせを推定して試す",
      "hint": "べいずさいてきか　Bayesian optimization\n数字　試行回数を大きく減らせる\nここが問われる　1回の学習が高価なときほど効果が大きい"
    },
    {
      "front": "探索空間",
      "back": "試す値の範囲と刻み\nどの範囲をどう刻んで探すかの設計をいう",
      "hint": "たんさくくうかん　search space\n数字　対数スケールで刻むことが多い\nここが問われる　学習率のような値は等間隔ではなく対数刻みで探す"
    },
    {
      "front": "交差検証による選択",
      "back": "分割を変えて選ぶ手順\n交差検証の平均性能で設定を選ぶ",
      "hint": "こうさけんしょうによるせんたく　CV-based selection\n数字　テストデータは使わない\nここが問われる　テストデータで選ぶと汎化性能を過大評価してしまう"
    },
    {
      "front": "訓練誤差",
      "back": "学習データでの誤差\n学習に使ったデータに対する損失をいう",
      "hint": "くんれんごさ　training error\n数字　下がり続けるのが普通\nここが問われる　下がっていることは学習が進んだ証拠にしかならない"
    },
    {
      "front": "検証誤差",
      "back": "検証データでの誤差\n未知データへの性能の代理指標になる",
      "hint": "けんしょうごさ　validation error\n数字　上がり始めたら過学習\nここが問われる　この値が最小になった時点のモデルを採用する"
    },
    {
      "front": "汎化ギャップ",
      "back": "訓練と検証の誤差の差\n過学習の程度を測る目安になる",
      "hint": "はんかぎゃっぷ　generalization gap\n数字　開くほど過学習が進んでいる\nここが問われる　この差が開いてきたら正則化を強めるのが定石である"
    },
    {
      "front": "プラトー",
      "back": "誤差が下げ止まる状態\n勾配が小さく学習が進まない平坦な領域",
      "hint": "ぷらとー　plateau\n数字　学習率の調整で抜けることがある\nここが問われる　収束したのか停滞しているのかを見分ける必要がある"
    },
    {
      "front": "損失の発散",
      "back": "損失が増大していく状態\n学習率が大きすぎるときに起きる典型的な失敗",
      "hint": "そんしつのはっさん　loss divergence\n数字　NaNになることもある\nここが問われる　まず学習率を下げるのが最初に試すべき対処になる"
    },
    {
      "front": "最良モデルの保存",
      "back": "最も良い時点を残す運用\n検証誤差が最小の重みを保存しておく",
      "hint": "さいりょうもでるのほぞん　best model checkpoint\n数字　早期終了と組で使う\nここが問われる　最後のエポックの重みが最良とは限らない"
    },
    {
      "front": "事前学習",
      "back": "大規模データで先に学ぶ\n汎用的な表現を獲得しておく段階をいう",
      "hint": "じぜんがくしゅう　pre-training\n数字　自己教師あり学習が主流\nここが問われる　下流の課題ごとに一から学習する必要がなくなる"
    },
    {
      "front": "ファインチューニング",
      "back": "学習済みを微調整する\n対象の課題のデータで重みを少しだけ更新する",
      "hint": "ふぁいんちゅーにんぐ　fine-tuning\n数字　学習率は小さくする\nここが問われる　学習率を大きくすると事前学習の知識が壊れてしまう"
    },
    {
      "front": "特徴抽出器",
      "back": "前段を固定して使う方法\n学習済みの層を固定し出力側だけを学習する",
      "hint": "とくちょうちゅうしゅつき　feature extractor\n数字　データが少ないときに有効\nここが問われる　更新するパラメータが少ないので過学習しにくい"
    },
    {
      "front": "層の凍結",
      "back": "更新しない層を作ること\n指定した層の重みを固定して学習する",
      "hint": "そうのとうけつ　layer freezing\n数字　段階的に解凍する方法もある\nここが問われる　浅い層は汎用的な特徴なので固定してよいことが多い"
    },
    {
      "front": "ドメイン適応",
      "back": "分布の違いを埋める工夫\n学習元と適用先でデータの傾向が違う場合に対処する",
      "hint": "どめいんてきおう　domain adaptation\n数字　転移学習の一形態\nここが問われる　課題は同じでデータの分布だけが違う場合を指す"
    },
    {
      "front": "破滅的忘却",
      "back": "以前の知識を失う現象\n新しい課題を学ぶと前の課題ができなくなる",
      "hint": "はめつてきぼうきゃく　catastrophic forgetting\n数字　継続学習の主要な課題\nここが問われる　学習率を抑えるか元データを混ぜることで緩和する"
    },
    {
      "front": "凸関数",
      "back": "谷が1つだけの関数\n局所最適解が必ず大域最適解になる関数",
      "hint": "とつかんすう　convex function\n数字　線形回帰の損失は凸\nここが問われる　この性質があれば勾配法で必ず最適解にたどり着く"
    },
    {
      "front": "非凸最適化",
      "back": "谷が多数ある最適化\n深層学習の損失関数はこちらに属する",
      "hint": "ひとつさいてきか　non-convex optimization\n数字　最適解の保証はない\nここが問われる　理論的な保証がないまま経験的にうまくいっている領域である"
    },
    {
      "front": "一次モーメント",
      "back": "勾配の移動平均\n過去の勾配の平均であり方向を表す",
      "hint": "いちじもーめんと　first moment\n数字　Adamのm。慣性にあたる\nここが問われる　モーメンタムの項に相当する成分である"
    },
    {
      "front": "二次モーメント",
      "back": "勾配の2乗の移動平均\n勾配の大きさのばらつきを表す",
      "hint": "にじもーめんと　second moment\n数字　Adamのv。歩幅の調整に使う\nここが問われる　この値で割ることで重みごとの学習率が決まる"
    },
    {
      "front": "ニュートン法",
      "back": "2階微分を使う最適化\nヘッセ行列を使って一気に最小へ近づく",
      "hint": "にゅーとんほう　Newton method\n数字　収束は速いが計算量が大きい\nここが問われる　パラメータ数の2乗の計算になるので深層学習では使えない"
    },
    {
      "front": "準ニュートン法",
      "back": "ヘッセ行列を近似する手法\n2階微分を直接計算せず近似して使う",
      "hint": "じゅんにゅーとんほう　quasi-Newton method\n数字　BFGSやL-BFGSが代表\nここが問われる　小規模な問題では有効だが大規模モデルには向かない"
    },
    {
      "front": "乱数シード",
      "back": "乱数を固定する値\n初期化やシャッフルの結果を再現可能にする",
      "hint": "らんすうしーど　random seed\n数字　固定しないと結果が毎回変わる\nここが問われる　固定しても GPU の並列計算で完全一致しないことがある"
    },
    {
      "front": "再現性",
      "back": "同じ結果を再び得られること\n乱数・環境・データを固定して初めて成り立つ",
      "hint": "さいげんせい　reproducibility\n数字　研究でも実務でも前提になる\nここが問われる　比較実験では1か所だけを変えることが原則である"
    },
    {
      "front": "チェックポイント",
      "back": "途中の重みを保存すること\n任意の時点から学習を再開できるようにする",
      "hint": "ちぇっくぽいんと　checkpoint\n数字　定期的に保存する\nここが問われる　長時間学習では障害に備えて必ず保存しておく"
    },
    {
      "front": "学習の再開",
      "back": "途中から続きを学ぶこと\n重みだけでなく最適化の状態も戻す必要がある",
      "hint": "がくしゅうのさいかい　resume training\n数字　Adamの状態も保存する\nここが問われる　重みだけ戻しても最適化の内部状態が失われると挙動が変わる"
    },
    {
      "front": "アブレーション研究",
      "back": "要素を外して効果を測る\n構成要素を1つずつ取り除いて寄与を調べる",
      "hint": "あぶれーしょんけんきゅう　ablation study\n数字　論文で必ず求められる\nここが問われる　どの工夫が本当に効いているかを切り分けるための手続き"
    },
    {
      "front": "ベースライン",
      "back": "比較の基準となるモデル\n改善を主張するために必要な比較対象をいう",
      "hint": "べーすらいん　baseline\n数字　単純な手法を先に試す\nここが問われる　基準がなければ改善したかどうかを判断できない"
    },
    {
      "front": "学習率の初期値",
      "back": "最も影響の大きい設定値\nAdamでは0.001が既定値として使われる",
      "hint": "がくしゅうりつのしょきち　initial learning rate\n数字　Adamは0.001が定番\nここが問われる　ここを外すと他の調整が効かない"
    },
    {
      "front": "バイアス補正",
      "back": "初期のモーメントの偏りを直す\n移動平均が0から始まる偏りを補正する処理",
      "hint": "ばいあすほせい　bias correction\n数字　Adamに組み込まれている\nここが問われる　学習の初期だけ効く補正である"
    },
    {
      "front": "RAdam",
      "back": "ウォームアップを内蔵したAdam\n初期の分散の大きさに応じて自動調整する手法",
      "hint": "らだむ　RAdam\n数字　ウォームアップが不要になる\nここが問われる　手動のウォームアップを置き換えられる"
    },
    {
      "front": "勾配の正規化",
      "back": "勾配の大きさを揃える処理\n層ごとのばらつきを抑えるための処理をいう",
      "hint": "こうばいのせいきか　gradient normalization\n数字　クリッピングと似た目的\nここが問われる　クリッピングは上限、正規化は揃える"
    },
    {
      "front": "ステップ減衰",
      "back": "段階的に学習率を下げる方式\n一定エポックごとに学習率を定数倍する方式",
      "hint": "すてっぷげんすい　step decay\n数字　0.1倍にすることが多い\nここが問われる　下げるタイミングの設定が要る"
    },
    {
      "front": "L1とL2の違い",
      "back": "スパースになるかどうか\nL1は0になり、L2は小さくなるが0にならない",
      "hint": "えるいちとえるつーのちがい　L1 vs L2\n数字　L1は変数選択の効果を持つ\nここが問われる　解の形が角にあたるか円周にあたるかの違い"
    },
    {
      "front": "ドロップアウトの推論時",
      "back": "無効にして出力を補正する\n学習時に落とした割合の分だけ出力を調整する",
      "hint": "どろっぷあうとのすいろんじ　dropout at inference\n数字　切り替えを忘れると結果が変わる\nここが問われる　学習と推論で挙動が違う代表例である"
    },
    {
      "front": "早期終了の忍耐",
      "back": "何回待つかの設定\n検証誤差が改善しない回数の上限をいう",
      "hint": "そうきしゅうりょうのにんたい　patience\n数字　小さすぎると早く止まりすぎる\nここが問われる　一時的な悪化で止めないための設定である"
    },
    {
      "front": "データ拡張の適用範囲",
      "back": "訓練データにだけ適用する\n検証やテストには適用してはいけない",
      "hint": "てきようはんい　augmentation scope\n数字　評価は素のデータで行う\nここが問われる　評価に適用すると比較ができなくなる"
    },
    {
      "front": "テスト時拡張",
      "back": "推論時に複数の変換を平均する\n同じ画像を変換して予測を平均する手法",
      "hint": "てすとじかくちょう　test time augmentation\n数字　略称TTA。精度が上がる\nここが問われる　推論の時間が変換の数だけ増える"
    },
    {
      "front": "AutoAugment",
      "back": "拡張の方針を探索で決める手法\nどの変換をどの強さで使うかを自動で探す",
      "hint": "おーとおーぐめんと　AutoAugment\n数字　探索の計算量が大きい\nここが問われる　人手で決めるより良い方針が見つかる"
    },
    {
      "front": "バッチサイズと正規化",
      "back": "小さいと統計量が不安定\nバッチが小さいとバッチ正規化がうまく働かない",
      "hint": "ばっちさいずとせいきか　batch size and norm\n数字　そのときはグループ正規化\nここが問われる　バッチサイズの制約が方式選択に効く"
    },
    {
      "front": "正規化の置き場所",
      "back": "活性化の前か後か\n前か後かで学習の安定性が変わる",
      "hint": "おきばしょ　norm placement\n数字　Pre-Normは深くしやすい\nここが問われる　深いモデルではPre-Normが選ばれやすい"
    },
    {
      "front": "重み正規化",
      "back": "重みの大きさと向きを分ける\nノルムと方向を別のパラメータにする手法",
      "hint": "おもみせいきか　weight normalization\n数字　バッチに依存しない\nここが問われる　バッチサイズの影響を受けない"
    },
    {
      "front": "探索の並列化",
      "back": "複数の設定を同時に試すこと\n計算資源があれば探索を並列に回せる",
      "hint": "たんさくのへいれつか　parallel search\n数字　ランダムサーチと相性がよい\nここが問われる　ベイズ最適化は逐次性があり並列化しにくい"
    },
    {
      "front": "早期打ち切り探索",
      "back": "見込みのない設定を早く捨てる\n少ない予算で試し、良いものだけ続ける手法",
      "hint": "そうきうちきりたんさく　successive halving\n数字　Hyperbandが代表\nここが問われる　全部を最後まで回すより効率がよい"
    },
    {
      "front": "過学習の兆候",
      "back": "検証誤差が上がり始める\n訓練誤差が下がり続けるのに検証が悪化する",
      "hint": "かがくしゅうのちょうこう　overfitting signs\n数字　汎化ギャップが開く\nここが問われる　この時点で止めるのが早期終了である"
    },
    {
      "front": "勾配の監視",
      "back": "勾配の大きさを見張ること\n消失や爆発を早く見つけるための観測",
      "hint": "こうばいのかんし　gradient monitoring\n数字　層ごとのノルムを見る\nここが問われる　損失が動かない原因の切り分けに使う"
    },
    {
      "front": "層ごとの学習率",
      "back": "層で学習率を変える工夫\n浅い層は小さく、深い層は大きくする方法",
      "hint": "そうごとのがくしゅうりつ　layer-wise LR\n数字　破滅的忘却を抑えられる\nここが問われる　凍結の中間的なやり方にあたる"
    },
    {
      "front": "アダプタ",
      "back": "小さな追加層だけを学習する\n本体を凍結し挿入した層だけを更新する手法",
      "hint": "あだぷた　adapter\n数字　LoRAも同じ発想\nここが問われる　更新するパラメータが少なく済む"
    },
    {
      "front": "畳み込み層",
      "back": "フィルタを滑らせる層\n局所的な特徴を位置を変えながら抽出する",
      "hint": "たたみこみそう　convolution layer\n数字　全結合層よりパラメータが少ない\nここが問われる　同じフィルタを使い回すのでパラメータが激減する"
    },
    {
      "front": "フィルタ",
      "back": "特徴を検出する小さな窓\n入力と要素ごとに掛けて足し合わせる重み",
      "hint": "ふぃるた　filter\n数字　カーネルとも呼ぶ\nここが問われる　このフィルタの値そのものが学習される重みである"
    },
    {
      "front": "カーネルサイズ",
      "back": "フィルタの縦横の大きさ\n3×3や5×5のように奇数を使うことが多い",
      "hint": "かーねるさいず　kernel size\n数字　3×3が最も標準的\nここが問われる　小さいフィルタを重ねるほうが同じ受容野を安く得られる"
    },
    {
      "front": "ストライド",
      "back": "フィルタを動かす幅\n1なら1画素ずつ、2なら1つ飛ばしで動かす",
      "hint": "すとらいど　stride\n数字　2にすると出力が約半分になる\nここが問われる　大きくすると出力が小さくなり計算量も減る"
    },
    {
      "front": "パディング",
      "back": "外周に値を足す操作\n出力サイズを保ち端の情報を失わないようにする",
      "hint": "ぱでぃんぐ　padding\n数字　0で埋めるゼロパディング\nここが問われる　入れないと畳み込むたびに出力が小さくなっていく"
    },
    {
      "front": "特徴マップ",
      "back": "畳み込みの出力\nそのフィルタが反応した強さを画像状に並べたもの",
      "hint": "とくちょうまっぷ　feature map\n数字　フィルタ数だけ枚数ができる\nここが問われる　浅い層はエッジ、深い層は物体の部品に反応する"
    },
    {
      "front": "出力サイズ",
      "back": "畳み込み後の縦横の大きさ\n入力・フィルタ・パディング・ストライドで決まる",
      "hint": "しゅつりょくさいず　output size\n数字　(N+2P−F)/S+1\nここが問われる　計算問題で必ず出る。式は暗記ではなく導けるようにする"
    },
    {
      "front": "受容野",
      "back": "出力1点が見る入力の範囲\n層を重ねるほど広い範囲を見るようになる",
      "hint": "じゅようや　receptive field\n数字　3×3を2層で5×5相当\nここが問われる　小さいフィルタを重ねると少ないパラメータで広く見られる"
    },
    {
      "front": "チャネル",
      "back": "特徴マップの枚数\n入力ではRGBの3、中間層ではフィルタ数になる",
      "hint": "ちゃねる　channel\n数字　フィルタ数＝出力チャネル数\nここが問われる　フィルタは入力チャネル全部にまたがる立体として働く"
    },
    {
      "front": "パラメータ共有",
      "back": "同じ重みを使い回すこと\n画像のどこでも同じフィルタを適用する",
      "hint": "ぱらめーたきょうゆう　parameter sharing\n数字　畳み込みが軽い最大の理由\nここが問われる　位置が変わっても同じ特徴を検出できることの根拠になる"
    },
    {
      "front": "局所結合",
      "back": "近い範囲だけを結ぶ構造\n離れた画素とは直接つながらない",
      "hint": "きょくしょけつごう　local connectivity\n数字　画像の性質に合った仮定\nここが問われる　近い画素どうしが強く関係するという前提を置いている"
    },
    {
      "front": "im2col",
      "back": "畳み込みを行列積に直す工夫\n入力を展開して1回の行列積で計算する",
      "hint": "あいえむつーこる　im2col\n数字　高速化のための実装技法\nここが問われる　メモリは増えるが行列積の高速な実装を利用できる"
    },
    {
      "front": "プーリング層",
      "back": "領域をまとめて縮める層\n小領域を代表値1つに置き換える",
      "hint": "ぷーりんぐそう　pooling layer\n数字　学習するパラメータを持たない\nここが問われる　重みを持たないので学習の対象にはならない"
    },
    {
      "front": "最大プーリング",
      "back": "領域の最大値をとる操作\n最も強く反応した値だけを残す",
      "hint": "さいだいぷーりんぐ　max pooling\n数字　2×2でストライド2が定番\nここが問われる　強い特徴を残すので画像認識では標準的に使われる"
    },
    {
      "front": "平均プーリング",
      "back": "領域の平均値をとる操作\nなめらかに情報をまとめる",
      "hint": "へいきんぷーりんぐ　average pooling\n数字　最大プーリングより情報が均される\nここが問われる　全体的な傾向を残したいときに使われる"
    },
    {
      "front": "GAP",
      "back": "各チャネルを1値にする操作\n特徴マップ全体の平均を取り1つの値にする",
      "hint": "じーえーぴー　global average pooling\n数字　全結合層の代わりに使う\nここが問われる　パラメータを持たないので過学習を抑えられる"
    },
    {
      "front": "ダウンサンプリング",
      "back": "解像度を落とす操作\nプーリングやストライドで空間サイズを小さくする",
      "hint": "だうんさんぷりんぐ　downsampling\n数字　計算量と受容野の両方に効く\nここが問われる　小さくすることで受容野が相対的に広がる"
    },
    {
      "front": "位置不変性",
      "back": "位置がずれても同じ反応\n多少の平行移動に影響されにくい性質をいう",
      "hint": "いちふへんせい　translation invariance\n数字　プーリングが寄与する\nここが問われる　位置の情報が失われるので検出課題では扱いに注意する"
    },
    {
      "front": "1×1畳み込み",
      "back": "チャネル方向だけの畳み込み\n空間方向は見ずチャネル数を変える",
      "hint": "いちかけるいちたたみこみ　1x1 convolution\n数字　次元圧縮に使う\nここが問われる　空間的な特徴は取らずチャネルの線形結合を行う"
    },
    {
      "front": "depthwise畳み込み",
      "back": "チャネルごとに独立に畳む\nチャネルをまたがずそれぞれで畳み込む",
      "hint": "でぷすわいずたたみこみ　depthwise convolution\n数字　計算量を大きく減らせる\nここが問われる　単独では使わずpointwiseと組にして使う"
    },
    {
      "front": "pointwise畳み込み",
      "back": "1×1でチャネルを混ぜる\ndepthwiseの後にチャネル間を結合する",
      "hint": "ぽいんとわいずたたみこみ　pointwise convolution\n数字　1×1畳み込みと同じもの\nここが問われる　2つ合わせて分離可能畳み込みと呼ぶ"
    },
    {
      "front": "転置畳み込み",
      "back": "解像度を上げる畳み込み\n小さい特徴マップを大きくする操作",
      "hint": "てんちたたみこみ　transposed convolution\n数字　逆畳み込みとも呼ばれる\nここが問われる　畳み込みの逆演算ではなく形だけ逆になる操作である"
    },
    {
      "front": "空洞畳み込み",
      "back": "すき間を空けた畳み込み\nパラメータを増やさず受容野を広げる",
      "hint": "くうどうたたみこみ　dilated convolution\n数字　dilated/atrousと呼ぶ\nここが問われる　解像度を落とさずに広い範囲を見られる点が利点である"
    },
    {
      "front": "グループ畳み込み",
      "back": "チャネルを分けて畳む\n入力チャネルを組に分けて別々に畳み込む",
      "hint": "ぐるーぷたたみこみ　grouped convolution\n数字　AlexNetのGPU分割が起源\nここが問われる　組の数を最大にするとdepthwise畳み込みと一致する"
    },
    {
      "front": "LeNet",
      "back": "最初期の畳み込みモデル\n手書き数字認識のために作られた小さなCNN",
      "hint": "るねっと　LeNet\n数字　1998年。畳み込みの原型\nここが問われる　現在のCNNの基本構成はここでほぼ固まっている"
    },
    {
      "front": "AlexNet",
      "back": "深層学習を広めたモデル\n画像認識のコンペで圧勝し注目を集めた",
      "hint": "あれっくすねっと　AlexNet\n数字　2012年。ReLUとドロップアウト\nここが問われる　ReLUとGPUの活用が実用化の転機になった"
    },
    {
      "front": "VGG",
      "back": "3×3を積み重ねたモデル\n小さいフィルタの連続で深さを稼いだ構造",
      "hint": "ぶいじーじー　VGG\n数字　2014年。16層と19層が有名\nここが問われる　大きいフィルタ1枚より小さいフィルタの連続が効率的だと示した"
    },
    {
      "front": "GoogLeNet",
      "back": "並列の畳み込みを束ねたモデル\n異なる大きさのフィルタを同時に使う構造",
      "hint": "ぐーぐるねっと　GoogLeNet\n数字　2014年。Inceptionを導入\nここが問われる　1×1畳み込みで次元を落としてから計算量を抑えている"
    },
    {
      "front": "Inceptionモジュール",
      "back": "複数の畳み込みの並列構造\n1×1、3×3、5×5、プーリングを並べて連結する",
      "hint": "いんせぷしょんもじゅーる　Inception module\n数字　GoogLeNetの中核\nここが問われる　フィルタサイズを決め打ちせず並列に試す発想である"
    },
    {
      "front": "ResNet",
      "back": "スキップ接続で深くしたモデル\n入力をそのまま足す経路を持ち100層以上を可能にした",
      "hint": "れずねっと　ResNet\n数字　2015年。152層まで到達\nここが問われる　勾配消失を構造的に回避した点が最大の貢献である"
    },
    {
      "front": "残差ブロック",
      "back": "差分だけを学ぶ構造\n入力を足し込み残差の部分だけを学習させる",
      "hint": "ざんさぶろっく　residual block\n数字　F(x)+xの形になる\nここが問われる　恒等写像が簡単に表現できるので深くしても劣化しない"
    },
    {
      "front": "DenseNet",
      "back": "全層をつなぐモデル\n前のすべての層の出力を後続へ連結する",
      "hint": "でんすねっと　DenseNet\n数字　足すのではなく連結する\nここが問われる　ResNetは加算、こちらは連結という違いがある"
    },
    {
      "front": "MobileNet",
      "back": "端末向けの軽量モデル\n分離可能畳み込みで計算量を大幅に削減した",
      "hint": "もばいるねっと　MobileNet\n数字　depthwiseとpointwiseの組\nここが問われる　精度を少し落とす代わりに計算量を1桁減らす設計である"
    },
    {
      "front": "EfficientNet",
      "back": "3軸を同時に拡大するモデル\n深さ・幅・解像度をバランスよく拡大する",
      "hint": "えふぃしぇんとねっと　EfficientNet\n数字　複合スケーリングという\nここが問われる　どれか1つだけを大きくしても効率が悪いことを示した"
    },
    {
      "front": "SENet",
      "back": "チャネルに重みを付ける構造\nチャネルごとの重要度を学習して掛ける",
      "hint": "えすいーねっと　SENet\n数字　Squeeze-and-Excitation\nここが問われる　チャネル方向の注意機構と見ることができる"
    },
    {
      "front": "ViT",
      "back": "画像を系列として扱う\n画像を小片に分けTransformerで処理する",
      "hint": "びじょんとらんすふぉーまー　Vision Transformer\n数字　略称ViT。大規模データが要る\nここが問われる　畳み込みを使わずに高い精度を達成した点が画期的である"
    },
    {
      "front": "物体検出",
      "back": "位置と種類を同時に当てる\n画像中の物体を四角で囲みクラスを判定する",
      "hint": "ぶったいけんしゅつ　object detection\n数字　分類＋位置回帰の課題\nここが問われる　分類と違い何個あるか分からない点が難しさの本質になる"
    },
    {
      "front": "R-CNN",
      "back": "領域提案つきの検出手法\n候補領域を出してから個別に分類する",
      "hint": "あーるしーえぬえぬ　R-CNN\n数字　二段階検出の原型。非常に遅い\nここが問われる　候補ごとにCNNを回すため処理時間がかかった"
    },
    {
      "front": "Fast R-CNN",
      "back": "特徴マップを共有する改良\n画像全体に1度だけCNNをかけて候補を切り出す",
      "hint": "ふぁーすとあーるしーえぬえぬ　Fast R-CNN\n数字　RoIプーリングを導入\nここが問われる　候補ごとの重複計算をなくして大幅に高速化した"
    },
    {
      "front": "Faster R-CNN",
      "back": "領域提案も学習する手法\n候補領域の生成をネットワークで行う",
      "hint": "ふぁすたーあーるしーえぬえぬ　Faster R-CNN\n数字　RPNを導入し全体を一体化\nここが問われる　候補生成まで含めて端から端まで学習できるようにした"
    },
    {
      "front": "YOLO",
      "back": "1回の推論で検出する手法\n画像を格子に分け一度に位置とクラスを予測する",
      "hint": "よろ　YOLO\n数字　一段階検出。高速\nここが問われる　速いが小さな物体の検出は二段階手法に劣る傾向がある"
    },
    {
      "front": "SSD",
      "back": "多スケールの一段階検出\n異なる解像度の特徴マップから同時に検出する",
      "hint": "えすえすでぃー　SSD\n数字　複数の特徴マップを使う\nここが問われる　大きさの異なる物体に対応するための工夫が入っている"
    },
    {
      "front": "バウンディングボックス",
      "back": "物体を囲む矩形\n中心座標と幅高さ、または対角の2点で表す",
      "hint": "ばうんでぃんぐぼっくす　bounding box\n数字　位置は回帰で予測する\nここが問われる　クラス分類と位置の回帰を同時に解くことになる"
    },
    {
      "front": "IoU",
      "back": "重なり具合を測る指標\n共通部分の面積を和集合の面積で割った値",
      "hint": "あいおーゆー　intersection over union\n数字　0.5以上を正解とすることが多い\nここが問われる　分母は和集合。積集合で割るのではない点に注意する"
    },
    {
      "front": "NMS",
      "back": "重複した検出を除く処理\n同じ物体への複数の枠を1つに絞る",
      "hint": "えぬえむえす　non-maximum suppression\n数字　IoUがしきい値以上なら削除\nここが問われる　スコアが最も高い枠を残し重なる枠を消していく後処理である"
    },
    {
      "front": "アンカーボックス",
      "back": "あらかじめ用意した枠\n大きさと縦横比の異なる基準枠を各位置に置く",
      "hint": "あんかーぼっくす　anchor box\n数字　ここからのずれを回帰する\nここが問われる　枠を一から予測せず基準からのずれを学ぶので安定する"
    },
    {
      "front": "mAP",
      "back": "検出の総合的な評価指標\nクラスごとの平均適合率をさらに平均した値",
      "hint": "えむえーぴー　mean average precision\n数字　IoUのしきい値とセットで示す\nここが問われる　しきい値が違えば値も変わるので条件を確認する必要がある"
    },
    {
      "front": "領域提案",
      "back": "物体がありそうな候補\n分類の前に候補となる領域を絞り込む処理",
      "hint": "りょういきていあん　region proposal\n数字　二段階検出の第一段にあたる\nここが問われる　この処理を学習可能にしたのがFaster R-CNNである"
    },
    {
      "front": "セマンティック分割",
      "back": "画素ごとにクラスを付ける\n画像のすべての画素を分類する課題をいう",
      "hint": "せまんてぃっくぶんかつ　semantic segmentation\n数字　同じ種類の物体は区別しない\nここが問われる　同じクラスの複数の物体はひとまとまりに扱われる"
    },
    {
      "front": "インスタンス分割",
      "back": "個体ごとに分ける分割\n同じクラスでも別々の物体として区別する",
      "hint": "いんすたんすぶんかつ　instance segmentation\n数字　Mask R-CNNが代表\nここが問われる　個体を区別する点がセマンティック分割との違いである"
    },
    {
      "front": "FCN",
      "back": "全結合層をなくしたモデル\n全層を畳み込みにして任意サイズを扱えるようにした",
      "hint": "えふしーえぬ　fully convolutional network\n数字　分割課題の出発点\nここが問われる　入力サイズが固定されないので画素単位の出力が作れる"
    },
    {
      "front": "U-Net",
      "back": "対称構造の分割モデル\n縮小と拡大の経路を持ちスキップでつなぐ",
      "hint": "ゆーねっと　U-Net\n数字　医療画像で広く使われる\nここが問われる　縮小で失った位置情報をスキップ接続で補うのが要点である"
    },
    {
      "front": "SegNet",
      "back": "プーリング位置を使う分割\n最大プーリングの位置を記録して復元に使う",
      "hint": "せぐねっと　SegNet\n数字　インデックスを保存する\nここが問われる　位置情報を保存して拡大時に活用する点が特徴である"
    },
    {
      "front": "Mask R-CNN",
      "back": "検出に分割を足したモデル\nFaster R-CNNにマスク出力の枝を追加した",
      "hint": "ますくあーるしーえぬえぬ　Mask R-CNN\n数字　RoI Alignを導入\nここが問われる　検出と分割を同時に行える点が実務で重宝される"
    },
    {
      "front": "姿勢推定",
      "back": "関節の位置を当てる課題\n人体のキーポイントの座標を推定する",
      "hint": "しせいすいてい　pose estimation\n数字　ヒートマップで表すことが多い\nここが問われる　座標を直接回帰するより確率分布として出すほうが安定する"
    },
    {
      "front": "顔認識",
      "back": "個人を同定する課題\n顔の特徴を埋め込みベクトルに変換して比較する",
      "hint": "かおにんしき　face recognition\n数字　距離学習が使われる\nここが問われる　分類ではなく埋め込み間の距離で判定する設計になる"
    },
    {
      "front": "画像キャプション",
      "back": "画像を説明する文を作る\n画像を符号化し言語モデルで文章にする",
      "hint": "がぞうきゃぷしょん　image captioning\n数字　符号化と復号の組合せ\nここが問われる　画像と言語の2つの領域をつなぐ代表的な課題である"
    },
    {
      "front": "超解像",
      "back": "解像度を上げる課題\n低解像度の画像から高解像度を復元する",
      "hint": "ちょうかいぞう　super resolution\n数字　GANや拡散モデルが使われる\nここが問われる　存在しない情報を作り出すので生成モデルの一種と考えられる"
    },
    {
      "front": "スタイル変換",
      "back": "画風を移し替える課題\n内容はそのままに別の画風へ変換する",
      "hint": "すたいるへんかん　style transfer\n数字　特徴マップの統計量を合わせる\nここが問われる　画風の情報が特徴の統計量に現れることを利用している"
    },
    {
      "front": "OCR",
      "back": "画像から文字を読む技術\n印字や手書きの文字を文字コードに変換する",
      "hint": "おーしーあーる　optical character recognition\n数字　検出と認識の組合せ\nここが問われる　文字の位置の検出と文字種の認識の2段階で構成される"
    },
    {
      "front": "パディングの種類",
      "back": "validとsameの違い\n埋めないか、出力サイズを保つよう埋めるか",
      "hint": "ぱでぃんぐのしゅるい　padding types\n数字　sameは入力と同じ大きさ\nここが問われる　sameでもストライドが1のときに限る"
    },
    {
      "front": "カーネルの初期化",
      "back": "フィルタの初期値の決め方\n全結合層と同じくHeやXavierを使う",
      "hint": "かーねるのしょきか　kernel init\n数字　ReLUならHe\nここが問われる　畳み込みでも考え方は同じである"
    },
    {
      "front": "畳み込みの計算量",
      "back": "出力サイズ×フィルタの大きさ\n乗算の回数として見積もることができる",
      "hint": "たたみこみのけいさんりょう　conv complexity\n数字　チャネル数の積で効く\nここが問われる　分離可能畳み込みで大きく減らせる"
    },
    {
      "front": "パラメータ数の計算",
      "back": "フィルタとチャネルで決まる\nK×K×入力チャネル×出力チャネル+バイアス",
      "hint": "ぱらめーたすうのけいさん　conv parameters\n数字　計算問題で頻出する\nここが問われる　全結合層と比べると桁違いに少ない"
    },
    {
      "front": "アップサンプリング",
      "back": "解像度を上げる操作\n補間や転置畳み込みで大きくする処理",
      "hint": "あっぷさんぷりんぐ　upsampling\n数字　分割や生成で使う\nここが問われる　学習するかしないかで方式が分かれる"
    },
    {
      "front": "アンプーリング",
      "back": "プーリングの位置を復元する\n最大プーリングの位置を記録して戻す操作",
      "hint": "あんぷーりんぐ　unpooling\n数字　SegNetで使われる\nここが問われる　位置情報を保存しておく必要がある"
    },
    {
      "front": "分離可能畳み込み",
      "back": "空間とチャネルを分ける\n空間方向とチャネル方向を分けて畳み込む",
      "hint": "ぶんりかのうたたみこみ　separable convolution\n数字　計算量が大幅に減る\nここが問われる　2つを組にして初めて意味を持つ"
    },
    {
      "front": "受容野の計算",
      "back": "層を重ねた効果を求める\nカーネルとストライドから積み上げて計算する",
      "hint": "じゅようやのけいさん　receptive field calc.\n数字　3×3を2層で5×5相当\nここが問われる　小さいフィルタを重ねるほうが安い"
    },
    {
      "front": "バッチ正規化の位置",
      "back": "畳み込みと活性化の間\n一般には畳み込みの直後、活性化の前に置く",
      "hint": "ばっちせいきかのいち　BN placement\n数字　Conv-BN-ReLUの順\nここが問われる　順序を変えると学習の安定性が変わる"
    },
    {
      "front": "1x1畳み込みの役割",
      "back": "次元圧縮と非線形の追加\nチャネル数を変え、計算量を減らす働き",
      "hint": "いちかけるいちたたみこみ　role of 1x1 conv\n数字　ボトルネック構造で使う\nここが問われる　計算量を抑えながら深くできる"
    },
    {
      "front": "ボトルネック構造",
      "back": "1x1で挟んだ残差ブロック\n次元を落として3x3を通し、また戻す構造",
      "hint": "ぼとるねっくこうぞう　bottleneck block\n数字　ResNet50以降で使う\nここが問われる　計算量を抑えて深くするための工夫である"
    },
    {
      "front": "深さ・幅・解像度",
      "back": "モデルを大きくする3軸\nどれか1つだけ増やしても効率が悪い",
      "hint": "ふかさはばかいぞうど　depth width resolution\n数字　複合スケーリングで同時に増やす\nここが問われる　バランスをとることが要点である"
    },
    {
      "front": "パッチ分割",
      "back": "画像を小片に切る処理\nViTで画像を系列として扱うための前処理",
      "hint": "ぱっちぶんかつ　patch embedding\n数字　16×16が代表的\nここが問われる　切った小片を単語のように扱う"
    },
    {
      "front": "アンカーフリー検出",
      "back": "基準枠を使わない検出\n中心点やキーポイントから直接枠を求める方式",
      "hint": "あんかーふりーけんしゅつ　anchor-free detection\n数字　設計の手間が減る\nここが問われる　アンカーの設計に依存しない"
    },
    {
      "front": "RoIプーリング",
      "back": "候補領域を固定サイズに揃える\n大きさの違う領域を同じ大きさに変換する処理",
      "hint": "あーるおーあいぷーりんぐ　RoI pooling\n数字　Fast R-CNNで導入された\nここが問われる　量子化の誤差がRoI Alignで改善された"
    },
    {
      "front": "検出の後処理",
      "back": "NMSとしきい値処理\n重複した枠を消し、低スコアを捨てる処理",
      "hint": "けんしゅつのごしょり　post-processing\n数字　NMSが中心になる\nここが問われる　学習ではなく推論時の処理である"
    },
    {
      "front": "平均適合率",
      "back": "適合率と再現率の曲線の面積\n1つのクラスについての検出性能を表す指標",
      "hint": "へいきんてきごうりつ　average precision\n数字　mAPはこれをクラス平均したもの\nここが問われる　しきい値によらない評価ができる"
    },
    {
      "front": "パノプティック分割",
      "back": "意味と個体を統合した分割\n背景は意味的に、物体は個体ごとに分ける課題",
      "hint": "ぱのぷてぃっくぶんかつ　panoptic segmentation\n数字　2つの分割を統合したもの\nここが問われる　画像のすべての画素に意味と個体を与える"
    },
    {
      "front": "IoUベースの損失",
      "back": "重なりを直接最適化する損失\nIoUやDice係数を損失として使う手法",
      "hint": "あいおーゆーべーすのそんしつ　IoU loss\n数字　不均衡に強い\nここが問われる　画素ごとの交差エントロピーより偏りに強い"
    },
    {
      "front": "データ拡張と検出",
      "back": "枠も一緒に変換する\n画像を変換したら座標も同じ変換をかける",
      "hint": "でーたかくちょうとけんしゅつ　augmentation for detection\n数字　変換忘れは学習を壊す\nここが問われる　ラベル側の変換を忘れる事故が多い"
    },
    {
      "front": "RNN",
      "back": "過去を持ち回る再帰構造\n前の時刻の出力を次の時刻の入力に使う",
      "hint": "あーるえぬえぬ　recurrent neural network\n数字　勾配消失と爆発を抱える\nここが問われる　同じ重みを全時刻で共有する点が畳み込みと似ている"
    },
    {
      "front": "時系列データ",
      "back": "順序に意味があるデータ\n並び替えると意味が変わるデータをいう",
      "hint": "じけいれつでーた　time series data\n数字　文章も時系列として扱う\nここが問われる　順序の情報をどう持たせるかが設計上の最大の論点になる"
    },
    {
      "front": "隠れ状態",
      "back": "過去を要約した内部の値\nそれまでの入力の情報をまとめて持ち回る",
      "hint": "かくれじょうたい　hidden state\n数字　時刻ごとに更新される\nここが問われる　この1本のベクトルに過去すべてを詰め込むのが限界になる"
    },
    {
      "front": "BPTT",
      "back": "時間方向の誤差逆伝播\n時刻をさかのぼって勾配を伝える計算",
      "hint": "びーぴーてぃーてぃー　backprop through time\n数字　系列が長いほど計算が重い\nここが問われる　時間方向に展開すると非常に深いネットワークと同じになる"
    },
    {
      "front": "打ち切りBPTT",
      "back": "途中で区切る逆伝播\n一定の時刻数だけさかのぼって打ち切る",
      "hint": "うちきりびーぴーてぃーてぃー　truncated BPTT\n数字　計算量とメモリを抑える\nここが問われる　長期の依存関係は学習できなくなるという代償がある"
    },
    {
      "front": "双方向RNN",
      "back": "前後両方から読む構造\n順方向と逆方向の2つを並べて連結する",
      "hint": "そうほうこうあーるえぬえぬ　bidirectional RNN\n数字　未来の情報も使える\nここが問われる　逐次生成する課題には使えない。全文が揃う課題向けである"
    },
    {
      "front": "LSTM",
      "back": "ゲートで記憶を制御する構造\n忘れる・入れる・出すを学習で制御する",
      "hint": "えるえすてぃーえむ　long short-term memory\n数字　勾配消失への構造的な対策\nここが問われる　勾配爆発には効かない。消失への対策である点を区別する"
    },
    {
      "front": "忘却ゲート",
      "back": "過去をどれだけ残すか\nセル状態の情報を捨てる割合を決めるゲート",
      "hint": "ぼうきゃくげーと　forget gate\n数字　0なら全部忘れ1なら全部残す\nここが問われる　このゲートがLSTMの性能を最も大きく左右するとされる"
    },
    {
      "front": "入力ゲート",
      "back": "新情報をどれだけ入れるか\n今の入力をどの程度セルに書き込むか決める",
      "hint": "にゅうりょくげーと　input gate\n数字　忘却ゲートと対になる\nここが問われる　残す量と入れる量を別々に制御できるのがLSTMの利点である"
    },
    {
      "front": "出力ゲート",
      "back": "何を外に出すか決める\nセル状態のうちどこを隠れ状態に出すか決める",
      "hint": "しゅつりょくげーと　output gate\n数字　隠れ状態を作るゲート\nここが問われる　セル状態と隠れ状態は別物であり出力の経路が分かれている"
    },
    {
      "front": "セル状態",
      "back": "長期記憶を運ぶ経路\nほぼ加算だけで時刻をまたいで情報を運ぶ",
      "hint": "せるじょうたい　cell state\n数字　勾配が消えにくい経路になる\nここが問われる　掛け算ではなく加算で更新されるので勾配が保たれる"
    },
    {
      "front": "GRU",
      "back": "ゲートを2つに減らした構造\n更新ゲートとリセットゲートの2つで制御する",
      "hint": "じーあーるゆー　gated recurrent unit\n数字　LSTMより軽く性能は同等\nここが問われる　セル状態を持たず隠れ状態だけで済ませている点が違いである"
    },
    {
      "front": "エンコーダデコーダ",
      "back": "符号化して復号する構造\n入力を1つの表現にまとめてから出力を生成する",
      "hint": "えんこーだでこーだ　encoder-decoder\n数字　翻訳や要約の基本形\nここが問われる　中間の1本のベクトルが情報のボトルネックになる"
    },
    {
      "front": "seq2seq",
      "back": "系列から系列への変換\n長さの違う入力と出力を扱える枠組みをいう",
      "hint": "しーくつーしーく　sequence to sequence\n数字　機械翻訳で普及した\nここが問われる　入力と出力の長さが一致しなくてよいのが要点である"
    },
    {
      "front": "文脈ベクトル",
      "back": "入力全体を要約した表現\n符号化器の最終出力を復号器へ渡す",
      "hint": "ぶんみゃくべくとる　context vector\n数字　長文で情報が失われる\nここが問われる　この1本に全部を詰める限界が注意機構を生む動機になった"
    },
    {
      "front": "教師強制",
      "back": "正解を次の入力にする学習\n前の時刻の予測ではなく正解を入力する",
      "hint": "きょうしきょうせい　teacher forcing\n数字　学習が速く安定する\nここが問われる　学習と推論で条件が食い違うという副作用がある"
    },
    {
      "front": "ビームサーチ",
      "back": "候補を複数残す探索\n各ステップで上位k個の系列を保持して進める",
      "hint": "びーむさーち　beam search\n数字　kをビーム幅という\nここが問われる　毎回1位だけを選ぶより全体として良い系列が得られる"
    },
    {
      "front": "貪欲法",
      "back": "毎回最良を選ぶ生成\n各時刻で確率最大の語を選んで進める",
      "hint": "どんよくほう　greedy decoding\n数字　計算は軽いが最適とは限らない\nここが問われる　局所的に最良でも全体として最良になるとは限らない"
    },
    {
      "front": "注意機構",
      "back": "重要な箇所に重みを置く\n入力のどこを見るかを重みとして学習する",
      "hint": "ちゅういきこう　attention mechanism\n数字　重みの合計は1になる\nここが問われる　固定長のベクトルに詰め込む制約から解放した仕組みである"
    },
    {
      "front": "クエリ",
      "back": "何を探すかを表すベクトル\nキーとの内積で関連の強さを測る",
      "hint": "くえり　query\n数字　QKVの3つで計算する\nここが問われる　検索でいう検索語にあたる役割を持つ"
    },
    {
      "front": "キーとバリュー",
      "back": "検索の見出しと中身\nキーで一致度を測りバリューを重み付けて足す",
      "hint": "きーとばりゅー　key and value\n数字　キーは索引、バリューは内容\nここが問われる　一致度の計算に使う側と実際に取り出す側が分かれている"
    },
    {
      "front": "自己注意",
      "back": "同じ系列内で注意を張る\nクエリもキーもバリューも同じ系列から作る",
      "hint": "じこちゅうい　self-attention\n数字　並列に計算できる\nここが問われる　逐次処理が不要なのでRNNより格段に高速に学習できる"
    },
    {
      "front": "多頭注意",
      "back": "複数の注意を並列に使う\n異なる観点の注意を同時に計算して連結する",
      "hint": "たとうちゅうい　multi-head attention\n数字　Transformerでは8頭が定番\nここが問われる　1つの注意では捉えられない多様な関係を同時に扱える"
    },
    {
      "front": "スケール化内積注意",
      "back": "内積を次元で割る注意\n内積を次元の平方根で割ってから正規化する",
      "hint": "すけーるかないせきちゅうい　scaled dot-product attn.\n数字　√dで割る理由は勾配の安定\nここが問われる　割らないと内積が大きくなりすぎ勾配が消えてしまう"
    },
    {
      "front": "Transformer",
      "back": "注意だけで作られたモデル\n再帰も畳み込みも使わず自己注意で構成する",
      "hint": "とらんすふぉーまー　Transformer\n数字　2017年。並列化が可能\nここが問われる　順序の情報を持たないので位置情報を別に足す必要がある"
    },
    {
      "front": "位置エンコーディング",
      "back": "順序の情報を足す仕組み\n位置ごとに決まるベクトルを入力に加える",
      "hint": "いちえんこーでぃんぐ　positional encoding\n数字　正弦波を使う方式が原典\nここが問われる　自己注意は順序を区別できないのでこれが不可欠になる"
    },
    {
      "front": "マスク付き自己注意",
      "back": "未来を見せない自己注意\n予測対象より後ろの位置を参照できなくする",
      "hint": "ますくつきじこちゅうい　masked self-attention\n数字　デコーダ側で使う\nここが問われる　これがないと答えを見ながら予測することになってしまう"
    },
    {
      "front": "位置ごとの全結合層",
      "back": "各位置に同じ変換をかける層\n注意の後で位置ごとに独立に非線形変換する",
      "hint": "いちごとのぜんけつごうそう　position-wise FFN\n数字　中間層は4倍に広げる\nここが問われる　位置をまたがずそれぞれ独立に処理する点が要点である"
    },
    {
      "front": "エンコーダブロック",
      "back": "自己注意とFFNの組\n自己注意、全結合層、残差と正規化で構成する",
      "hint": "えんこーだぶろっく　encoder block\n数字　同じ構造を積み重ねる\nここが問われる　同一構造の繰り返しなので層数を増やしやすい"
    },
    {
      "front": "デコーダブロック",
      "back": "3種の副層を持つブロック\nマスク付き自己注意、交差注意、FFNからなる",
      "hint": "でこーだぶろっく　decoder block\n数字　符号化器の出力を参照する\nここが問われる　符号化器側を参照する交差注意があるのが違いである"
    },
    {
      "front": "分散表現",
      "back": "意味を密なベクトルで表す\n似た語が近い位置に来るよう低次元で表現する",
      "hint": "ぶんさんひょうげん　distributed representation\n数字　次元は数百程度\nここが問われる　one-hotと違い語どうしの意味的な近さを表せる"
    },
    {
      "front": "word2vec",
      "back": "文脈から分散表現を学ぶ手法\n周辺語との共起から単語ベクトルを獲得する",
      "hint": "わーどつーべっく　word2vec\n数字　CBOWとskip-gramの2方式\nここが問われる　王−男＋女＝女王のような加減算が成り立つことで知られる"
    },
    {
      "front": "CBOW",
      "back": "周辺から中心語を当てる方式\n文脈の語から真ん中の語を予測する",
      "hint": "しーぼう　continuous bag-of-words\n数字　学習が速い\nここが問われる　予測の向きがskip-gramと逆である点が問われやすい"
    },
    {
      "front": "skip-gram",
      "back": "中心語から周辺を当てる方式\n1つの語からその周辺の語を予測する",
      "hint": "すきっぷぐらむ　skip-gram\n数字　低頻度語に強い\nここが問われる　CBOWより遅いが希少な語の表現が良くなる"
    },
    {
      "front": "fastText",
      "back": "部分文字列も使う分散表現\n語を文字n-gramに分けて表現を作る",
      "hint": "ふぁすとてきすと　fastText\n数字　未知語にも対応できる\nここが問われる　語形の変化や未知語に強いのが最大の利点である"
    },
    {
      "front": "GloVe",
      "back": "共起行列から作る分散表現\n語の共起の統計を行列分解して表現を得る",
      "hint": "ぐろーぶ　GloVe\n数字　全体の統計を直接使う\nここが問われる　局所的な文脈だけでなくコーパス全体の統計を利用する"
    },
    {
      "front": "言語モデル",
      "back": "次の語の確率を出すモデル\nこれまでの語の並びから次の語を予測する",
      "hint": "げんごもでる　language model\n数字　生成AIの基礎になる\nここが問われる　文の確率を条件付き確率の積として分解して扱う"
    },
    {
      "front": "n-gram",
      "back": "連続するn個の並び\n直前のn−1語だけを見る単純な言語モデル",
      "hint": "えぬぐらむ　n-gram\n数字　2-gram、3-gramなど\nここが問われる　長い依存関係を扱えず組み合わせ爆発も起きる"
    },
    {
      "front": "パープレキシティ",
      "back": "言語モデルの評価指標\n次の語をどれだけ絞れているかを表す",
      "hint": "ぱーぷれきしてぃ　perplexity\n数字　小さいほど良い。分岐数の目安\nここが問われる　交差エントロピーの指数をとった値に相当する"
    },
    {
      "front": "トークン化",
      "back": "文を単位に分ける処理\n文章をモデルが扱う最小単位に切り分ける",
      "hint": "とーくんか　tokenization\n数字　日本語は分かち書きが要る\nここが問われる　日本語は語の境界が明示されないため設計が難しい"
    },
    {
      "front": "サブワード",
      "back": "語より細かい分割単位\n頻出する部分文字列を単位として扱う",
      "hint": "さぶわーど　subword\n数字　BPEやWordPieceが代表\nここが問われる　語彙数を抑えつつ未知語を減らせるのが最大の利点である"
    },
    {
      "front": "未知語",
      "back": "語彙に無い語\n学習時に登場しなかった語をいう",
      "hint": "みちご　out of vocabulary\n数字　略称OOV。サブワードで緩和\nここが問われる　固有名詞や新語で必ず発生するため対策が要る"
    },
    {
      "front": "BERT",
      "back": "双方向の事前学習モデル\n前後の文脈を同時に見て表現を学ぶ",
      "hint": "ばーと　BERT\n数字　2018年。エンコーダのみ\nここが問われる　文章生成ではなく理解の課題に強い構成である"
    },
    {
      "front": "マスク言語モデル",
      "back": "隠した語を当てる学習\n一部の語を隠して周囲から推測させる",
      "hint": "ますくげんごもでる　masked language model\n数字　15％程度を隠す\nここが問われる　人手のラベルなしに大量の文章から学習できる仕組みである"
    },
    {
      "front": "次文予測",
      "back": "2文が連続かを当てる学習\n文の関係を捉えるための補助的な学習課題",
      "hint": "じぶんよそく　next sentence prediction\n数字　後の研究で効果が疑問視された\nここが問われる　改良版では省かれることが多い課題である"
    },
    {
      "front": "GPT",
      "back": "次の語を予測するモデル\nデコーダだけを使い左から右へ生成する",
      "hint": "じーぴーてぃー　GPT\n数字　デコーダのみの構成\nここが問われる　生成に向く構成であり理解特化のBERTと対をなす"
    },
    {
      "front": "因果的言語モデル",
      "back": "過去だけを見る言語モデル\n未来の語を参照せずに次を予測する",
      "hint": "いんがてきげんごもでる　causal language model\n数字　マスク付き自己注意で実現\nここが問われる　未来を見ないという制約が生成を可能にしている"
    },
    {
      "front": "T5",
      "back": "すべてを文生成に統一した型\n分類も要約も文から文への変換として扱う",
      "hint": "てぃーふぁいぶ　T5\n数字　符号化器と復号器の両方を持つ\nここが問われる　課題ごとに出力層を変えず1つの枠組みで解く発想である"
    },
    {
      "front": "LLM",
      "back": "巨大な言語モデル\n膨大なデータとパラメータで学習した言語モデル",
      "hint": "えるえるえむ　large language model\n数字　パラメータは数十億以上\nここが問われる　規模を上げると質的に新しい能力が現れることが知られる"
    },
    {
      "front": "スケーリング則",
      "back": "規模と性能の関係の法則\nデータ量・計算量・規模と性能がべき乗で関係する",
      "hint": "すけーりんぐそく　scaling law\n数字　3要素をそろえて増やす\nここが問われる　どれか1つだけを増やしても効率が悪いことが示されている"
    },
    {
      "front": "プロンプト",
      "back": "モデルへの指示文\n入力の与え方で出力の質が大きく変わる",
      "hint": "ぷろんぷと　prompt\n数字　書き方の工夫が性能を左右する\nここが問われる　重みを変えずに振る舞いを変えられる点が実務上重要である"
    },
    {
      "front": "文脈内学習",
      "back": "例を見せて解かせる方式\nプロンプト中の例から解き方を推測させる",
      "hint": "ぶんみゃくないがくしゅう　in-context learning\n数字　重みは更新されない\nここが問われる　学習と名は付くがパラメータの更新は起きていない"
    },
    {
      "front": "指示チューニング",
      "back": "指示に従うよう微調整する\n指示と応答の組で追加学習する",
      "hint": "しじちゅーにんぐ　instruction tuning\n数字　対話モデルの基礎になる\nここが問われる　素の言語モデルを使いやすい助手に変える工程である"
    },
    {
      "front": "RLHF",
      "back": "人の好みで強化学習する\n人間の評価から報酬モデルを作り方策を調整する",
      "hint": "あーるえるえいちえふ　RLHF\n数字　報酬モデルとPPOを使う\nここが問われる　正解が一意でない課題を人の選好で学習する枠組みである"
    },
    {
      "front": "ハルシネーション",
      "back": "もっともらしい誤りの生成\n事実でない内容を自信ありげに出力する現象",
      "hint": "はるしねーしょん　hallucination\n数字　LLMの主要な課題\nここが問われる　確率的に尤もらしい語を選ぶという仕組みに由来する問題である"
    },
    {
      "front": "音声認識",
      "back": "音声を文字にする課題\n音の系列を文字や単語の系列に変換する",
      "hint": "おんせいにんしき　speech recognition\n数字　略称ASR\nここが問われる　音の長さと文字数が一致しない点が技術的な難所になる"
    },
    {
      "front": "音響モデル",
      "back": "音と音素を結ぶモデル\n音声の特徴から音素の確率を出す部分をいう",
      "hint": "おんきょうもでる　acoustic model\n数字　言語モデルと組で使う\nここが問われる　近年は言語モデルと一体で学習する構成が主流である"
    },
    {
      "front": "CTC",
      "back": "長さの違いを吸収する損失\n入力と出力の対応づけなしで学習できる損失関数",
      "hint": "しーてぃーしー　connectionist temporal cl.\n数字　空白ラベルを導入する\nここが問われる　どの時刻がどの文字かの対応を人が与えなくてよい"
    },
    {
      "front": "メルスペクトログラム",
      "back": "音を画像状に表した特徴\n周波数を人の聴覚に合わせた尺度で表す",
      "hint": "めるすぺくとろぐらむ　mel spectrogram\n数字　音声処理の標準的な入力\nここが問われる　画像として扱えるのでCNNをそのまま適用できる"
    },
    {
      "front": "BLEU",
      "back": "機械翻訳の評価指標\n参照訳とのn-gramの一致度で自動評価する",
      "hint": "ぶるー　BLEU\n数字　0から1、または百分率で表す\nここが問われる　意味が同じでも語が違えば低く出るという限界がある"
    },
    {
      "front": "時系列の定常性",
      "back": "統計的性質が変わらないこと\n平均や分散が時間によらない性質をいう",
      "hint": "じけいれつのていじょうせい　stationarity\n数字　差分をとると定常に近づく\nここが問われる　非定常のまま学習すると外挿が効かない"
    },
    {
      "front": "系列長",
      "back": "1つの系列の長さ\n何時刻分をまとめて扱うかの設定をいう",
      "hint": "けいれつちょう　sequence length\n数字　長いほど計算量が増える\nここが問われる　Transformerでは2乗で効いてくる"
    },
    {
      "front": "パディングとマスク",
      "back": "長さを揃えて無視する仕組み\n短い系列を埋めて、埋めた部分を計算から外す",
      "hint": "ぱでぃんぐとますく　padding and masking\n数字　マスクを忘れると精度が落ちる\nここが問われる　埋めた部分を学習してしまう事故が多い"
    },
    {
      "front": "覗き穴結合",
      "back": "セル状態をゲートに渡す工夫\nゲートの判断にセル状態も使う改良をいう",
      "hint": "のぞきあなけつごう　peephole connection\n数字　LSTMの変種\nここが問われる　効果は限定的で常に使うわけではない"
    },
    {
      "front": "双方向とマスクの関係",
      "back": "生成には使えない理由\n未来を見てしまうので逐次生成に使えない",
      "hint": "そうほうこうとますくのかんけい　bidirectional and masking\n数字　理解の課題には有効\nここが問われる　BERTが生成に向かない理由でもある"
    },
    {
      "front": "露出バイアス",
      "back": "学習と推論のずれ\n学習では正解、推論では自分の予測を入力する",
      "hint": "ろしゅつばいあす　exposure bias\n数字　教師強制の副作用\nここが問われる　誤りが積み重なって発散することがある"
    },
    {
      "front": "長さペナルティ",
      "back": "短い出力への偏りを直す\n確率の積は短いほど大きくなる偏りを補正する",
      "hint": "ながさぺなるてぃ　length penalty\n数字　ビームサーチで使う\nここが問われる　補正しないと短い訳文ばかりになる"
    },
    {
      "front": "注意重みの可視化",
      "back": "どこを見たかを見る方法\n注意の重みを図にして根拠を確かめる手法",
      "hint": "ちゅういおもみのかしか　attention visualization\n数字　説明可能性の一助になる\nここが問われる　重みが根拠そのものとは限らない"
    },
    {
      "front": "交差注意",
      "back": "別の系列を参照する注意\nクエリとキーが異なる系列から来る注意",
      "hint": "こうさちゅうい　cross attention\n数字　デコーダで使う\nここが問われる　符号化器の出力を参照するのがこれである"
    },
    {
      "front": "注意の計算量",
      "back": "系列長の2乗に比例\nすべての位置どうしを比べるため2乗になる",
      "hint": "ちゅういのけいさんりょう　attention complexity\n数字　長い系列で問題になる\nここが問われる　長文を扱うための軽量化が研究されている"
    },
    {
      "front": "相対位置エンコーディング",
      "back": "位置の差を使う方式\n絶対位置ではなく相対的な距離を符号化する方式",
      "hint": "そうたいいちえんこーでぃんぐ　relative position\n数字　長さの外挿に強い\nここが問われる　学習時より長い系列にも対応しやすい"
    },
    {
      "front": "残差接続とレイヤー正規化",
      "back": "各副層を包む2つの仕組み\n副層の出力に入力を足し、正規化する構造",
      "hint": "ざんさせつぞくとせいきか　residual and norm\n数字　Pre-NormとPost-Norm\nここが問われる　深くしても学習できる理由になっている"
    },
    {
      "front": "事前学習と下流課題",
      "back": "2段階の学習の流れ\n大規模に事前学習し、課題ごとに微調整する",
      "hint": "じぜんがくしゅうとかりゅうかだい　pretrain and downstream\n数字　現在の標準的な流れ\nここが問われる　下流課題ごとに一から学習しなくてよい"
    },
    {
      "front": "トークナイザ",
      "back": "文をトークンに分ける部品\n語彙とサブワードの規則を持つ処理をいう",
      "hint": "とーくないざ　tokenizer\n数字　モデルと対で決まる\nここが問われる　モデルと違うものを使うと性能が落ちる"
    },
    {
      "front": "BPE",
      "back": "頻出の組を併合する分割法\nよく並ぶ文字の組を順に1つの単位にまとめる",
      "hint": "びーぴーいー　byte pair encoding\n数字　サブワードの代表的な手法\nここが問われる　語彙数を先に決めて学習する"
    },
    {
      "front": "文脈化表現",
      "back": "文脈で変わる語の表現\n同じ語でも周りの語によって表現が変わる",
      "hint": "ぶんみゃくかひょうげん　contextual embedding\n数字　BERT以降の標準になった\nここが問われる　word2vecは文脈で変わらない"
    },
    {
      "front": "ゼロショットと少数ショット",
      "back": "例を見せるか見せないか\n例なしで解くか、数個の例を見せて解くか",
      "hint": "ぜろしょっととしょうすうしょっと　zero-shot and few-shot\n数字　文脈内学習の形式\nここが問われる　重みは更新されない点が共通する"
    },
    {
      "front": "思考の連鎖",
      "back": "途中の考えを書かせる方法\n段階的に考えさせると正答率が上がる手法",
      "hint": "しこうのれんさ　chain of thought\n数字　推論の課題で効く\nここが問われる　簡単な課題ではかえって悪化することもある"
    },
    {
      "front": "RAG",
      "back": "外部の知識を検索して使う\n関連文書を検索して答えの根拠にする仕組み",
      "hint": "らぐ　retrieval augmented generation\n数字　ハルシネーションを減らせる\nここが問われる　モデルを再学習せずに知識を更新できる"
    },
    {
      "front": "トークン数と計算量",
      "back": "入力が長いほど重くなる\n自己注意は系列長の2乗で計算量が増える",
      "hint": "とーくんすうとけいさんりょう　tokens and compute\n数字　文脈長が費用を決める\nここが問われる　長い文脈を扱えるモデルほど推論が高価になる"
    },
    {
      "front": "オートエンコーダ",
      "back": "入力を復元する学習器\n圧縮してから元に戻すことで表現を学ぶ",
      "hint": "おーとえんこーだ　autoencoder\n数字　略称AE。教師なし学習\nここが問われる　正解ラベルが要らず入力そのものが正解になる"
    },
    {
      "front": "符号化器",
      "back": "入力を圧縮する部分\n高次元の入力を低次元の表現に変換する",
      "hint": "ふごうかき　encoder\n数字　エンコーダともいう\nここが問われる　ここで得られる表現が特徴抽出の結果にあたる"
    },
    {
      "front": "復号器",
      "back": "圧縮から元へ戻す部分\n低次元の表現から入力を再構成する",
      "hint": "ふくごうき　decoder\n数字　デコーダともいう\nここが問われる　生成モデルではここだけを取り出して使うことがある"
    },
    {
      "front": "潜在変数",
      "back": "観測されない内部の変数\nデータの背後にある本質的な要因を表す",
      "hint": "せんざいへんすう　latent variable\n数字　次元は入力より小さくとる\nここが問われる　直接は観測できないがデータを生み出していると仮定する変数"
    },
    {
      "front": "ボトルネック",
      "back": "最も狭い中間の層\nここを狭くすることで圧縮が強制される",
      "hint": "ぼとるねっく　bottleneck\n数字　広すぎると恒等写像を覚える\nここが問われる　狭めなければ入力をそのまま通すだけになってしまう"
    },
    {
      "front": "デノイジングAE",
      "back": "雑音を除く自己符号化器\nわざと雑音を加えた入力から元を復元させる",
      "hint": "でのいじんぐえーいー　denoising autoencoder\n数字　頑健な表現が得られる\nここが問われる　入力を壊してから復元させることで丸暗記を防いでいる"
    },
    {
      "front": "VAE",
      "back": "確率分布を学ぶ生成モデル\n潜在変数の分布を学び新しいデータを生成する",
      "hint": "ぶいえーいー　variational autoencoder\n数字　再構成誤差＋KL項で学習\nここが問われる　点ではなく分布を出力する点が通常のAEとの決定的な違い"
    },
    {
      "front": "変分下限",
      "back": "対数尤度の下からの評価\n直接計算できない尤度の代わりに最大化する量",
      "hint": "へんぶんかげん　evidence lower bound\n数字　略称ELBO\nここが問われる　これを最大化することが尤度の最大化の代わりになる"
    },
    {
      "front": "再パラメータ化",
      "back": "乱数を外へ出す工夫\nサンプリングを微分可能な形に書き換える",
      "hint": "さいぱらめーたか　reparameterization trick\n数字　z＝μ+σ×εの形にする\nここが問われる　サンプリングのままでは勾配が流れないための工夫である"
    },
    {
      "front": "潜在空間",
      "back": "潜在変数が住む空間\n似たデータが近くに配置される連続的な空間",
      "hint": "せんざいくうかん　latent space\n数字　内挿すると中間的な生成物が出る\nここが問われる　なめらかであるほど生成物の操作がしやすくなる"
    },
    {
      "front": "変分推論",
      "back": "分布を近似で求める手法\n解けない事後分布を扱いやすい分布で近似する",
      "hint": "へんぶんすいろん　variational inference\n数字　KLを最小化して近づける\nここが問われる　厳密解の代わりに近似分布を最適化するという発想である"
    },
    {
      "front": "再構成誤差",
      "back": "元と復元の差\n入力をどれだけ正確に戻せたかを測る損失",
      "hint": "さいこうせいごさ　reconstruction error\n数字　異常検知にも使える\nここが問われる　正常データだけで学習すると異常時に値が大きくなる"
    },
    {
      "front": "GAN",
      "back": "2つを競わせる生成モデル\n生成器と識別器を対立させて学習する",
      "hint": "がん　generative adversarial net\n数字　2014年。教師なし学習\nここが問われる　明示的に確率分布を書き下さずに生成を学ぶ点が特徴である"
    },
    {
      "front": "生成器",
      "back": "偽物を作るネットワーク\n乱数から本物らしいデータを生成する",
      "hint": "せいせいき　generator\n数字　識別器をだますのが目的\nここが問われる　本物のデータを直接見ずに識別器の反応だけで学習する"
    },
    {
      "front": "識別器",
      "back": "本物か偽物かを見分ける器\n入力が本物である確率を出力する",
      "hint": "しきべつき　discriminator\n数字　生成器と交互に学習する\nここが問われる　強すぎても弱すぎても生成器の学習が進まなくなる"
    },
    {
      "front": "敵対的学習",
      "back": "対立する2者を交互に学ぶ\n一方の損失が他方の利益になる関係で学習する",
      "hint": "てきたいてきがくしゅう　adversarial training\n数字　ミニマックス問題になる\nここが問われる　釣り合いを保つのが難しく学習が発散しやすい"
    },
    {
      "front": "モード崩壊",
      "back": "同じものばかり作る現象\n生成の多様性が失われ限られた出力に偏る",
      "hint": "もーどほうかい　mode collapse\n数字　GAN特有の失敗\nここが問われる　識別器をだませる少数の出力だけを繰り返すようになる"
    },
    {
      "front": "DCGAN",
      "back": "畳み込みを使ったGAN\n全結合をやめ畳み込みと転置畳み込みで構成する",
      "hint": "でぃーしーがん　DCGAN\n数字　安定化の指針を示した\nここが問われる　バッチ正規化や活性化関数の選び方まで具体的に示した"
    },
    {
      "front": "条件付きGAN",
      "back": "ラベルを指定できるGAN\n作りたいクラスを条件として与えて生成する",
      "hint": "じょうけんつきがん　conditional GAN\n数字　略称cGAN\nここが問われる　何が生成されるか制御できない問題への対処である"
    },
    {
      "front": "Pix2Pix",
      "back": "画像から画像への変換\n対応する画像の組で変換を学習する",
      "hint": "ぴくすつーぴくす　pix2pix\n数字　対の学習データが必要\nここが問われる　対応づいたデータが用意できることが前提になる"
    },
    {
      "front": "CycleGAN",
      "back": "対でなくても変換できるGAN\n変換して戻すと元に戻る制約で学習する",
      "hint": "さいくるがん　CycleGAN\n数字　循環一貫性損失を使う\nここが問われる　対応する画像の組がなくても学習できる点が最大の利点である"
    },
    {
      "front": "StyleGAN",
      "back": "画風を制御できる生成モデル\n層ごとに異なるスタイルを注入して制御する",
      "hint": "すたいるがん　StyleGAN\n数字　高精細な顔画像で有名\nここが問われる　粗い構造から細部までを段階的に制御できる設計になっている"
    },
    {
      "front": "Wasserstein GAN",
      "back": "距離の測り方を変えたGAN\n分布間の距離としてWasserstein距離を使う",
      "hint": "わっさーしゅたいんがん　Wasserstein GAN\n数字　略称WGAN。学習が安定する\nここが問われる　損失の値が生成の質と対応するようになる点も利点である"
    },
    {
      "front": "学習の不安定性",
      "back": "均衡が崩れやすい性質\n2者の力関係が崩れると学習が破綻する",
      "hint": "がくしゅうのふあんていせい　training instability\n数字　GANの実用化を妨げた要因\nここが問われる　拡散モデルが広まった理由の1つがこの問題の回避である"
    },
    {
      "front": "拡散モデル",
      "back": "雑音から徐々に作る生成器\n少しずつノイズを除いて画像を作り上げる",
      "hint": "かくさんもでる　diffusion model\n数字　近年の画像生成の主流\nここが問われる　GANより学習が安定し多様性も高いのが普及の理由である"
    },
    {
      "front": "順方向過程",
      "back": "少しずつ雑音を加える過程\n元の画像を段階的に壊して純粋な雑音にする",
      "hint": "じゅんほうこうかてい　forward process\n数字　学習不要で定義できる\nここが問われる　この過程は決められた手続きであり学習の対象ではない"
    },
    {
      "front": "逆方向過程",
      "back": "雑音を除いていく過程\n各段階で少しずつノイズを取り除いて復元する",
      "hint": "ぎゃくほうこうかてい　reverse process\n数字　学習するのはこちら側\nここが問われる　何段階もかけて生成するので推論に時間がかかる"
    },
    {
      "front": "ノイズ予測",
      "back": "加えられた雑音を当てる\n画像そのものではなく雑音を予測して引く",
      "hint": "のいずよそく　noise prediction\n数字　U-Netで予測する\nここが問われる　何を出力させるかを工夫したことが学習の安定につながっている"
    },
    {
      "front": "潜在拡散モデル",
      "back": "圧縮した空間で拡散する\n画素ではなく潜在空間で生成して計算量を減らす",
      "hint": "せんざいかくさんもでる　latent diffusion model\n数字　略称LDM。画像生成で実用化\nここが問われる　高解像度の生成を現実的な計算量で行えるようにした"
    },
    {
      "front": "テキスト条件付け",
      "back": "文章で生成を指示する仕組み\n文の埋め込みを交差注意で生成過程に与える",
      "hint": "てきすとじょうけんつけ　text conditioning\n数字　CLIPの埋め込みを使う\nここが問われる　画像と言語を同じ空間で扱えることが前提になっている"
    },
    {
      "front": "状態",
      "back": "環境の今の様子\nエージェントが観測する環境の情報をいう",
      "hint": "じょうたい　state\n数字　記号はs\nここが問われる　次の状態が現在の状態だけで決まる仮定を置くことが多い"
    },
    {
      "front": "行動",
      "back": "エージェントが選ぶ操作\n状態に応じて選択できる選択肢をいう",
      "hint": "こうどう　action\n数字　記号はa\nここが問われる　離散か連続かで使えるアルゴリズムが変わる"
    },
    {
      "front": "報酬",
      "back": "行動の良さを示す信号\n環境から与えられるスカラーの評価をいう",
      "hint": "ほうしゅう　reward\n数字　記号はr。遅れて届く\nここが問われる　1手ごとの正解ではなく遅れて届く評価である点が難しさになる"
    },
    {
      "front": "方策",
      "back": "状態から行動を決める規則\nどの状態でどの行動を取るかを表す関数",
      "hint": "ほうさく　policy\n数字　記号はπ。確率的にも表せる\nここが問われる　強化学習が最終的に求めたいのはこの方策である"
    },
    {
      "front": "環境",
      "back": "エージェントの外側すべて\n行動を受けて状態を変え報酬を返す対象をいう",
      "hint": "かんきょう　environment\n数字　内部の仕組みは未知でよい\nここが問われる　仕組みが分からなくても試行錯誤で学習できるのが特徴である"
    },
    {
      "front": "マルコフ決定過程",
      "back": "強化学習の数学的な枠組み\n状態・行動・遷移確率・報酬の組で定式化する",
      "hint": "まるこふけっていかてい　Markov decision process\n数字　略称MDP\nここが問われる　次の状態が現在の状態と行動だけで決まるという仮定に立つ"
    },
    {
      "front": "収益",
      "back": "将来の報酬の合計\n割引きながら足し合わせた累積の報酬をいう",
      "hint": "しゅうえき　return\n数字　記号はG\nここが問われる　1手先の報酬ではなく最後までの合計を最大化する"
    },
    {
      "front": "割引率",
      "back": "将来を割り引く係数\n遠い将来の報酬をどれだけ重く見るかを決める",
      "hint": "わりびきりつ　discount factor\n数字　記号はγ。0から1の値\nここが問われる　1に近いほど長期を重視し、0に近いほど目先を重視する"
    },
    {
      "front": "価値関数",
      "back": "状態の良さを表す関数\nその状態から得られる収益の期待値をいう",
      "hint": "かちかんすう　value function\n数字　記号はV(s)\nここが問われる　行動を含まず状態だけの良さを表す点が行動価値との違い"
    },
    {
      "front": "行動価値関数",
      "back": "状態と行動の組の良さ\nその状態でその行動を取ったときの収益の期待値",
      "hint": "こうどうかちかんすう　action value function\n数字　記号はQ(s,a)\nここが問われる　これが分かれば最も値の大きい行動を選ぶだけでよい"
    },
    {
      "front": "ベルマン方程式",
      "back": "価値を再帰的に表す式\n今の価値を次の価値で表す関係式をいう",
      "hint": "べるまんほうていしき　Bellman equation\n数字　動的計画法の基礎\nここが問われる　この再帰関係が価値を推定するすべての手法の土台になる"
    },
    {
      "front": "最適方策",
      "back": "収益を最大にする方策\nどの状態から始めても収益が最大になる方策",
      "hint": "さいてきほうさく　optimal policy\n数字　必ず存在するとされる\nここが問われる　最適な行動価値関数が分かれば貪欲に選ぶだけで得られる"
    },
    {
      "front": "TD学習",
      "back": "1歩ごとに推定を更新する法\n次の推定値との差を使って価値を更新する",
      "hint": "てぃーでぃーがくしゅう　temporal difference\n数字　終了を待たずに学習できる\nここが問われる　エピソードの終わりを待つ必要がない点が最大の利点である"
    },
    {
      "front": "モンテカルロ法",
      "back": "終了まで待って更新する法\n1エピソードの実際の収益で価値を更新する",
      "hint": "もんてかるろほう　Monte Carlo method\n数字　ばらつきは大きいが偏りは小\nここが問われる　終わりのない課題には適用できないという制約がある"
    },
    {
      "front": "Q学習",
      "back": "行動価値を直接学ぶ手法\n次状態で最大のQ値を使って更新する",
      "hint": "きゅーがくしゅう　Q-learning\n数字　方策オフ型の代表\nここが問われる　実際に取った行動とは無関係に最大値で更新する点が要点である"
    },
    {
      "front": "SARSA",
      "back": "実際の行動で更新する手法\n次に実際に選んだ行動のQ値で更新する",
      "hint": "さるさ　SARSA\n数字　方策オン型の代表\nここが問われる　Q学習との違いは最大値を使うか実際の行動を使うかである"
    },
    {
      "front": "方策オン型",
      "back": "学習と行動が同じ方策\n実際に動いている方策そのものを改善する",
      "hint": "ほうさくおんがた　on-policy\n数字　SARSAやPPOが該当\nここが問われる　過去の経験を再利用しにくいという制約がある"
    },
    {
      "front": "方策オフ型",
      "back": "学習と行動が別の方策\n別の方策で集めた経験からも学習できる",
      "hint": "ほうさくおふがた　off-policy\n数字　Q学習やDQNが該当\nここが問われる　過去の経験を貯めて再利用できるのが大きな利点になる"
    },
    {
      "front": "探索と活用",
      "back": "試すか稼ぐかの綱引き\n未知を試すか既知の最良を選ぶかの兼ね合い",
      "hint": "たんさくとかつよう　exploration exploitation\n数字　両立できないトレードオフ\nここが問われる　活用ばかりでは局所的な行動から抜け出せなくなる"
    },
    {
      "front": "ε-greedy",
      "back": "たまにランダムに選ぶ方策\n確率εで無作為、残りで最良の行動を選ぶ",
      "hint": "いぷしろんぐりーでぃ　epsilon-greedy\n数字　εは学習とともに減らす\nここが問われる　εが探索の割合。大きいほどランダムに動く"
    },
    {
      "front": "DQN",
      "back": "Q学習に深層学習を使う手法\n行動価値関数をニューラルネットで近似する",
      "hint": "でぃーきゅーえぬ　deep Q-network\n数字　2013年。Atariで人間超え\nここが問われる　そのままでは学習が不安定で2つの工夫が不可欠になる"
    },
    {
      "front": "経験再生",
      "back": "過去の経験を貯めて再利用\n記憶から無作為に取り出して学習に使う",
      "hint": "けいけんさいせい　experience replay\n数字　データの相関を断ち切る\nここが問われる　連続した経験は相関が強く学習が不安定になるための対策である"
    },
    {
      "front": "目標ネットワーク",
      "back": "更新を遅らせる複製\n教師信号を作る側の重みを一定期間固定する",
      "hint": "もくひょうねっとわーく　target network\n数字　一定間隔でコピーする\nここが問われる　目標が動き続けると学習が発散するための対策である"
    },
    {
      "front": "方策勾配法",
      "back": "方策を直接最適化する手法\n方策のパラメータを勾配で更新する",
      "hint": "ほうさくこうばいほう　policy gradient\n数字　連続的な行動を扱える\nここが問われる　価値を経由せず方策そのものを学ぶので連続行動に強い"
    },
    {
      "front": "Actor-Critic",
      "back": "方策と価値を両方学ぶ手法\n行動を決める側と評価する側を組み合わせる",
      "hint": "あくたーくりてぃっく　actor-critic\n数字　方策勾配のばらつきを抑える\nここが問われる　方策ベースと価値ベースの長所を組み合わせた枠組みである"
    },
    {
      "front": "A3C",
      "back": "非同期並列の学習手法\n複数の環境を並列に動かして学習する",
      "hint": "えーすりーしー　A3C\n数字　経験再生を使わずに済む\nここが問われる　並列化で経験の相関を断つので記憶の再利用が不要になる"
    },
    {
      "front": "PPO",
      "back": "更新幅を制限する方策学習\n方策が大きく変わりすぎないよう制限する",
      "hint": "ぴーぴーおー　proximal policy optimization\n数字　RLHFで広く使われる\nここが問われる　更新が大きすぎると壊れるという性質への実用的な対処である"
    },
    {
      "front": "AlphaGo",
      "back": "囲碁で人間を破ったAI\n深層学習と木探索を組み合わせた",
      "hint": "あるふぁご　AlphaGo\n数字　2016年。モンテカルロ木探索\nここが問われる　人間の棋譜からの学習と自己対戦の強化学習を併用した"
    },
    {
      "front": "報酬設計",
      "back": "報酬の与え方を決める作業\n何にどれだけ報酬を与えるかを設計する",
      "hint": "ほうしゅうせっけい　reward shaping\n数字　設計を誤ると望まぬ行動を学ぶ\nここが問われる　抜け道のある設計だと意図しない振る舞いを最適化してしまう"
    },
    {
      "front": "スパース報酬",
      "back": "めったに得られない報酬\n成功したときだけ報酬が得られる状況をいう",
      "hint": "すぱーすほうしゅう　sparse reward\n数字　学習が非常に難しくなる\nここが問われる　偶然の成功に出会うまで何も学べないのが困難の本質である"
    },
    {
      "front": "スパースオートエンコーダ",
      "back": "活性を疎にする自己符号化器\n少数の素子だけが反応するよう制約をかける方式",
      "hint": "すぱーすおーとえんこーだ　sparse autoencoder\n数字　L1で活性を抑える\nここが問われる　意味のある特徴が得られやすい"
    },
    {
      "front": "収縮自己符号化器",
      "back": "入力の変化に鈍い表現を学ぶ\nヤコビ行列のノルムを罰則に加える方式",
      "hint": "しゅうしゅくじこふごうかき　contractive autoencoder\n数字　頑健な表現が得られる\nここが問われる　小さな摂動に反応しにくくなる"
    },
    {
      "front": "潜在変数の次元",
      "back": "圧縮の強さを決める設定\n小さいほど強く圧縮され情報が失われる",
      "hint": "せんざいへんすうのじげん　latent dimension\n数字　大きすぎると恒等写像になる\nここが問われる　課題に応じて選ぶ必要がある"
    },
    {
      "front": "KL項の重み",
      "back": "再構成との釣り合いを取る係数\nKL項を強くすると生成は滑らかだがぼやける",
      "hint": "けーえるこうのおもみ　KL weight\n数字　β-VAEで調整する\nここが問われる　2つの目的の折り合いを付ける"
    },
    {
      "front": "事後崩壊",
      "back": "潜在変数が使われなくなる現象\n復号器が強すぎると潜在変数を無視する",
      "hint": "じごほうかい　posterior collapse\n数字　KL項が0に近づく\nここが問われる　復号器の表現力を抑えて対処する"
    },
    {
      "front": "最小二乗GAN",
      "back": "二乗誤差を使うGAN\n識別器の損失を二乗誤差にした改良をいう",
      "hint": "さいしょうにじょうがん　LSGAN\n数字　勾配が消えにくい\nここが問われる　学習が安定しやすくなる"
    },
    {
      "front": "勾配ペナルティ",
      "back": "識別器の勾配を制約する手法\nWGANの学習を安定させるための罰則",
      "hint": "こうばいぺなるてぃ　gradient penalty\n数字　WGAN-GPで使う\nここが問われる　重みのクリッピングより良いとされる"
    },
    {
      "front": "評価指標FID",
      "back": "生成画像の質の指標\n実画像と生成画像の特徴分布の距離を測る",
      "hint": "えふあいでぃー　FID\n数字　小さいほど良い\nここが問われる　多様性と品質の両方を反映する"
    },
    {
      "front": "ノイズスケジュール",
      "back": "各段階で加える雑音の量\nどれだけの速さで壊していくかの設計",
      "hint": "のいずすけじゅーる　noise schedule\n数字　品質と速度に効く\nここが問われる　設計次第で生成の質が変わる"
    },
    {
      "front": "サンプリング回数",
      "back": "何段階かけて生成するか\n段階が多いほど高品質だが時間がかかる",
      "hint": "さんぷりんぐかいすう　sampling steps\n数字　高速化の手法が研究されている\nここが問われる　少ない段階で生成する手法が実用化されている"
    },
    {
      "front": "分類器なしガイダンス",
      "back": "条件の効きを強める手法\n条件つきと条件なしの予測を組み合わせる方法",
      "hint": "ぶんるいきなしがいだんす　classifier-free guidance\n数字　強さを係数で調整する\nここが問われる　強くしすぎると多様性が失われる"
    },
    {
      "front": "エピソード",
      "back": "開始から終了までの1回\n終端状態に至るまでの一連の経験をいう",
      "hint": "えぴそーど　episode\n数字　終わりのない課題もある\nここが問われる　終わりがないとモンテカルロ法は使えない"
    },
    {
      "front": "マルコフ性",
      "back": "現在だけで将来が決まる性質\n過去の履歴に依存しないという仮定をいう",
      "hint": "まるこふせい　Markov property\n数字　MDPの前提になる\nここが問われる　成り立たないときは状態の定義を見直す"
    },
    {
      "front": "遷移確率",
      "back": "次の状態になる確率\n状態と行動から次の状態が決まる確率をいう",
      "hint": "せんいかくりつ　transition probability\n数字　環境の性質にあたる\nここが問われる　分からなくても学習はできる"
    },
    {
      "front": "ベルマン最適方程式",
      "back": "最適な価値が満たす式\n最大の行動価値を使って再帰的に表した式",
      "hint": "べるまんさいてきほうていしき　Bellman optimality\n数字　Q学習の根拠になる\nここが問われる　期待値の中に最大化が入る形になる"
    },
    {
      "front": "方策評価と方策改善",
      "back": "交互に繰り返す2つの手順\n価値を求め、それをもとに方策を良くする流れ",
      "hint": "ほうさくひょうかとかいぜん　evaluation and improvement\n数字　方策反復と呼ばれる\nここが問われる　この繰り返しで最適方策に近づく"
    },
    {
      "front": "TD誤差",
      "back": "推定のずれを表す量\n現在の推定と次の推定の差をいう",
      "hint": "てぃーでぃーごさ　TD error\n数字　更新の大きさを決める\nここが問われる　この誤差を小さくする方向に更新する"
    },
    {
      "front": "n段TD法",
      "back": "何歩先まで見るかの調整\n1歩とエピソード全体の間をとる手法",
      "hint": "えぬだんてぃーでぃーほう　n-step TD\n数字　nを大きくするとMCに近づく\nここが問われる　偏りとばらつきの折り合いを付ける"
    },
    {
      "front": "優先度付き経験再生",
      "back": "学べる経験を多く使う手法\nTD誤差の大きい経験を優先して取り出す方法",
      "hint": "ゆうせんどつきけいけんさいせい　prioritized replay\n数字　偏りを重みで補正する\nここが問われる　そのままだと分布が偏るので補正が要る"
    },
    {
      "front": "エントロピー正則化",
      "back": "方策の多様性を保つ工夫\n方策のエントロピーを損失に加える手法",
      "hint": "えんとろぴーせいそくか　entropy regularization\n数字　探索を促す効果がある\nここが問われる　早く決め打ちするのを防ぐ"
    },
    {
      "front": "GPU",
      "back": "並列計算に強い演算装置\n多数の演算器で行列積を一気に処理する",
      "hint": "じーぴーゆー　graphics processing unit\n数字　深層学習の実用化を支えた\nここが問われる　逐次処理はCPUのほうが速い。並列に強いという性質である"
    },
    {
      "front": "TPU",
      "back": "深層学習専用の演算装置\n行列演算に特化して設計されたチップをいう",
      "hint": "てぃーぴーゆー　tensor processing unit\n数字　Googleが開発した\nここが問われる　汎用性を捨てて行列演算だけに絞ることで効率を上げている"
    },
    {
      "front": "CUDA",
      "back": "GPU向けの開発環境\nGPUで汎用計算を行うための基盤をいう",
      "hint": "くーだ　CUDA\n数字　NVIDIA製GPUで使う\nここが問われる　フレームワークの内部でこれが呼ばれている"
    },
    {
      "front": "テンソル",
      "back": "多次元の配列\nスカラー・ベクトル・行列を一般化した概念",
      "hint": "てんそる　tensor\n数字　階数で次元の数を表す\nここが問われる　深層学習のデータはすべてこの形で扱われる"
    },
    {
      "front": "演算精度",
      "back": "数値を何ビットで表すか\n精度を下げると速く軽くなるが誤差が増える",
      "hint": "えんざんせいど　numerical precision\n数字　FP32が基本、FP16は半分\nここが問われる　下げるほど速いが学習が不安定になる境目がある"
    },
    {
      "front": "メモリ帯域",
      "back": "データを運べる速さ\n演算より転送が律速になることが多い",
      "hint": "めもりたいいき　memory bandwidth\n数字　GPUメモリ量が学習規模を縛る\nここが問われる　バッチサイズを大きくできない主因はメモリ容量である"
    },
    {
      "front": "データ並列",
      "back": "データを分けて並列に学ぶ\n各装置に同じモデルを置き別々のデータを流す",
      "hint": "でーたへいれつ　data parallelism\n数字　最も一般的な分散方式\nここが問われる　モデルが1台に載ることが前提になる方式である"
    },
    {
      "front": "モデル並列",
      "back": "モデルを分けて配置する\n1台に載らない巨大なモデルを分割して置く",
      "hint": "もでるへいれつ　model parallelism\n数字　大規模言語モデルで必須\nここが問われる　装置間の通信が増えるので効率は落ちやすい"
    },
    {
      "front": "パイプライン並列",
      "back": "層ごとに分けて流す方式\n層の集まりを装置ごとに割り当て順に流す",
      "hint": "ぱいぷらいんへいれつ　pipeline parallelism\n数字　待ち時間の発生が課題\nここが問われる　装置が待つ空き時間をどう減らすかが設計の要点になる"
    },
    {
      "front": "同期更新",
      "back": "全員そろってから更新する\n全装置の勾配を集めて平均してから更新する",
      "hint": "どうきこうしん　synchronous update\n数字　結果が再現しやすい\nここが問われる　1台が遅いと全体が待たされるという弱点がある"
    },
    {
      "front": "非同期更新",
      "back": "そろわなくても更新する\n計算が終わった装置から順に重みを更新する",
      "hint": "ひどうきこうしん　asynchronous update\n数字　待ち時間はないが勾配が古い\nここが問われる　古い勾配で更新するため学習が不安定になりやすい"
    },
    {
      "front": "勾配集約",
      "back": "各装置の勾配をまとめる\n分散した勾配を平均して全体の更新に使う",
      "hint": "こうばいしゅうやく　gradient aggregation\n数字　All-Reduceで実装される\nここが問われる　通信量が分散学習の速度を決める最大の要因になる"
    },
    {
      "front": "混合精度学習",
      "back": "精度を使い分ける学習\n計算は16ビット、重みの保持は32ビットで行う",
      "hint": "こんごうせいどがくしゅう　mixed precision training\n数字　速度が上がりメモリも減る\nここが問われる　重みの更新まで16ビットにすると学習が壊れる"
    },
    {
      "front": "半精度",
      "back": "16ビットの浮動小数点\nFP16やBF16のことを指す",
      "hint": "はんせいど　half precision\n数字　BF16は指数部が広く扱いやすい\nここが問われる　FP16は表現範囲が狭く勾配が0に落ちることがある"
    },
    {
      "front": "損失スケーリング",
      "back": "損失を定数倍する工夫\n小さな勾配が0に落ちるのを防ぐために拡大する",
      "hint": "そんしつすけーりんぐ　loss scaling\n数字　混合精度学習とセットで使う\nここが問われる　更新の直前に同じ数で割り戻すことを忘れてはいけない"
    },
    {
      "front": "勾配累積",
      "back": "何回分か貯めてから更新\n小さいバッチを複数回まとめて大きなバッチにする",
      "hint": "こうばいるいせき　gradient accumulation\n数字　メモリ不足への対処\nここが問われる　装置のメモリが足りなくても大きなバッチと同等にできる"
    },
    {
      "front": "勾配チェックポイント",
      "back": "途中結果を捨てて再計算\nメモリを節約する代わりに計算をやり直す",
      "hint": "こうばいちぇっくぽいんと　gradient checkpointing\n数字　メモリと計算時間の交換\nここが問われる　メモリは減るが学習時間は増えるという取引になる"
    },
    {
      "front": "推論の高速化",
      "back": "実行時を速くする工夫\nバッチ化・キャッシュ・演算の融合などで速くする",
      "hint": "すいろんのこうそくか　inference optimization\n数字　学習とは別の最適化が要る\nここが問われる　学習時に速い工夫が推論で効くとは限らない"
    },
    {
      "front": "モデル圧縮",
      "back": "小さく軽くする技術の総称\n精度をなるべく保ったまま規模を減らす",
      "hint": "もでるあっしゅく　model compression\n数字　量子化・蒸留・枝刈りの3本柱\nここが問われる　3手法は減らす対象が違うので混同しないこと"
    },
    {
      "front": "量子化",
      "back": "数値の精度を落とす圧縮\n32ビットを8ビットなどに置き換える",
      "hint": "りょうしか　quantization\n数字　INT8で4分の1になる\nここが問われる　減らすのは数値のビット数。パラメータの数は変わらない"
    },
    {
      "front": "蒸留",
      "back": "大きなモデルに教えさせる\n教師モデルの出力を小さなモデルに学ばせる",
      "hint": "じょうりゅう　knowledge distillation\n数字　ソフトターゲットを使う\nここが問われる　正解ラベルより教師の確率分布のほうが情報量が多い"
    },
    {
      "front": "枝刈り",
      "back": "重要でない結合を削る\n小さい重みを0にして構造を疎にする",
      "hint": "えだがり　pruning\n数字　パラメータ数そのものを減らす\nここが問われる　減らすのは結合の数。1つあたりのビット数ではない"
    },
    {
      "front": "低ランク近似",
      "back": "行列を小さな積に分解する\n重み行列を2つの小さな行列の積で近似する",
      "hint": "ていらんくきんじ　low-rank approximation\n数字　特異値分解を使う\nここが問われる　微調整を軽くするLoRAもこの考え方に基づいている"
    },
    {
      "front": "エッジ推論",
      "back": "端末側で推論すること\nサーバへ送らず手元の機器で実行する",
      "hint": "えっじすいろん　edge inference\n数字　通信とプライバシーの利点\nここが問われる　計算資源が限られるので軽量化が前提条件になる"
    },
    {
      "front": "フレームワーク",
      "back": "深層学習の開発基盤\n自動微分やGPU実行をまとめて提供する",
      "hint": "ふれーむわーく　framework\n数字　PyTorchとTensorFlowが主流\nここが問われる　計算グラフの作り方が設計思想の分かれ目になる"
    },
    {
      "front": "静的計算グラフ",
      "back": "先に定義してから流す方式\n構造を確定させてからデータを流す",
      "hint": "せいてきけいさんぐらふ　static graph\n数字　最適化しやすいが書きにくい\nここが問われる　構造が固定なので事前に最適化や変換がしやすい"
    },
    {
      "front": "動的計算グラフ",
      "back": "実行しながら作る方式\n処理を実行するたびにグラフを構築する",
      "hint": "どうてきけいさんぐらふ　dynamic graph\n数字　デバッグしやすい\nここが問われる　条件分岐や可変長の入力を素直に書けるのが利点である"
    },
    {
      "front": "ONNX",
      "back": "モデルの共通の表現形式\nフレームワークをまたいでモデルを受け渡す",
      "hint": "おにっくす　ONNX\n数字　学習と推論で環境を分けられる\nここが問われる　学習した環境と別の環境で動かすための橋渡しになる"
    },
    {
      "front": "推論エンジン",
      "back": "推論に特化した実行環境\n計算の融合や精度変換で実行を速くする",
      "hint": "すいろんえんじん　inference engine\n数字　TensorRTなどが該当\nここが問われる　学習の機能を捨てて実行速度だけを追求している"
    },
    {
      "front": "モデルの永続化",
      "back": "重みをファイルに保存する\n学習結果を保存して後から読み込めるようにする",
      "hint": "もでるのえいぞくか　model serialization\n数字　重みと構造を分けて扱う\nここが問われる　構造と重みのどちらを保存するかで扱いが変わる"
    },
    {
      "front": "MLOps",
      "back": "機械学習の運用の仕組み\n学習から配備、監視までを継続的に回す取組",
      "hint": "えむえるおぷす　MLOps\n数字　DevOpsの機械学習版\nここが問われる　作って終わりではなく運用し続ける前提の考え方である"
    },
    {
      "front": "継続的学習",
      "back": "運用しながら学び続けること\n新しいデータで定期的にモデルを更新する",
      "hint": "けいぞくてきがくしゅう　continual learning\n数字　破滅的忘却に注意する\nここが問われる　更新のたびに過去の性能が落ちていないか検証が要る"
    },
    {
      "front": "モデル監視",
      "back": "運用中の性能を見張ること\n入力の分布と予測の傾向を継続的に観測する",
      "hint": "もでるかんし　model monitoring\n数字　精度は遅れて分かることが多い\nここが問われる　正解が後から判明する業務では入力の監視が先行指標になる"
    },
    {
      "front": "データドリフト",
      "back": "入力の分布が変わること\n運用中に入力データの傾向が学習時とずれる",
      "hint": "でーたどりふと　data drift\n数字　再学習の判断材料になる\nここが問われる　入力側が変わる現象。入出力の関係が変わるのは別の語である"
    },
    {
      "front": "コンセプトドリフト",
      "back": "入出力の関係が変わること\n同じ入力でも正解が変わってしまう現象をいう",
      "hint": "こんせぷとどりふと　concept drift\n数字　データドリフトとは別\nここが問われる　入力の分布が変わらなくても起こりうる点が要点である"
    },
    {
      "front": "A/Bテスト",
      "back": "2案を実環境で比べる検証\n利用者を分けて新旧のモデルを比較する",
      "hint": "えーびーてすと　A/B testing\n数字　オフライン評価だけでは不十分\nここが問われる　検証データでの改善が実環境の改善とは限らない"
    },
    {
      "front": "アノテーション",
      "back": "正解ラベルを付ける作業\n人手でデータに正解を付与する工程をいう",
      "hint": "あのてーしょん　annotation\n数字　品質と一貫性が精度を左右する\nここが問われる　作業者ごとの判断のばらつきがそのまま誤差になる"
    },
    {
      "front": "データ品質",
      "back": "データの正しさと揃い方\n欠損・誤り・偏りの少なさをいう",
      "hint": "でーたひんしつ　data quality\n数字　モデルより効くことが多い\nここが問われる　手法を変えるよりデータを整えるほうが効果が大きい場面が多い"
    },
    {
      "front": "データバージョン管理",
      "back": "データの版を記録すること\nどの版で学習したかを追跡できるようにする",
      "hint": "でーたばーじょんかんり　data versioning\n数字　再現性の前提になる\nここが問われる　コードだけ管理してもデータが変われば結果は再現しない"
    },
    {
      "front": "特徴量ストア",
      "back": "特徴量を共有する基盤\n学習と推論で同じ特徴量の計算を使う仕組み",
      "hint": "とくちょうりょうすとあ　feature store\n数字　学習と推論のずれを防ぐ\nここが問われる　学習時と推論時で計算が違うと性能が落ちる"
    },
    {
      "front": "前処理パイプライン",
      "back": "前処理を手順化した仕組み\n同じ手順を学習と推論の両方で再現する",
      "hint": "ぜんしょりぱいぷらいん　preprocessing pipeline\n数字　分割の後に当てはめる\nここが問われる　訓練データで決めた変換を検証やテストにも適用する"
    },
    {
      "front": "サンプリングバイアス",
      "back": "データの集め方の偏り\n集め方の偏りがそのまま予測の偏りになる",
      "hint": "さんぷりんぐばいあす　sampling bias\n数字　公平性の問題の主因\nここが問われる　どれだけ学習しても集めていない層のことは学べない"
    },
    {
      "front": "説明可能AI",
      "back": "判断の根拠を示す取組\nなぜその出力になったかを人に説明できるようにする",
      "hint": "せつめいかのうえーあい　explainable AI\n数字　略称XAI\nここが問われる　精度と説明しやすさは両立しにくいという緊張関係がある"
    },
    {
      "front": "ブラックボックス問題",
      "back": "中身が分からない問題\n高性能でも判断の理由が説明できないこと",
      "hint": "ぶらっくぼっくすもんだい　black box problem\n数字　医療や金融で障害になる\nここが問われる　決定木のように構造そのものが説明になるモデルと対比される"
    },
    {
      "front": "LIME",
      "back": "局所的に線形近似する説明\n1件の予測の周りを単純なモデルで近似する",
      "hint": "らいむ　LIME\n数字　モデルの種類を問わない\nここが問われる　全体ではなく個別の予測についての説明である点が要点である"
    },
    {
      "front": "SHAP",
      "back": "寄与を公平に配分する説明\n協力ゲーム理論に基づいて各特徴の寄与を出す",
      "hint": "しゃっぷ　SHAP\n数字　シャープレイ値に基づく\nここが問われる　理論的な裏づけがある一方で計算量が大きい"
    },
    {
      "front": "Grad-CAM",
      "back": "注目領域を色で示す手法\n勾配を使って画像のどこを見たかを可視化する",
      "hint": "ぐらっどきゃむ　Grad-CAM\n数字　CNNの説明に使う\nここが問われる　畳み込みの最終層の特徴マップと勾配から作られる"
    },
    {
      "front": "特徴量重要度",
      "back": "どの特徴が効いたかの指標\n各特徴が予測にどれだけ寄与したかを表す",
      "hint": "とくちょうりょうじゅうようど　feature importance\n数字　木系のモデルで得やすい\nここが問われる　相関の強い特徴があると重要度が分散して見えることがある"
    },
    {
      "front": "AI倫理",
      "back": "AIの社会的な責任の議論\n公平性・透明性・説明責任などを扱う",
      "hint": "えーあいりんり　AI ethics\n数字　開発段階から考慮する\nここが問われる　事後の対処ではなく設計段階からの配慮が求められる"
    },
    {
      "front": "公平性",
      "back": "特定の属性を不利にしない\n性別や人種などで結果に偏りを生じさせない",
      "hint": "こうへいせい　fairness\n数字　定義が複数あり両立しない\nここが問われる　公平性の定義自体が複数あり同時には満たせないことがある"
    },
    {
      "front": "プライバシー",
      "back": "個人の情報を守ること\n学習データからの個人の特定を防ぐ必要がある",
      "hint": "ぷらいばしー　privacy\n数字　学習済みモデルからも漏れうる\nここが問われる　重みから学習データの一部が復元されうる点が問題になる"
    },
    {
      "front": "個人情報保護法",
      "back": "個人データを守る法律\n取得・利用・第三者提供の要件を定める",
      "hint": "こじんじょうほうほごほう　personal data protection\n数字　仮名加工と匿名加工の区別\nここが問われる　加工の程度によって課される義務が変わる点が要点である"
    },
    {
      "front": "GDPR",
      "back": "EUの個人データ保護規則\n域外の事業者にも適用されうる厳しい規則",
      "hint": "じーでぃーぴーあーる　GDPR\n数字　自動意思決定への異議権を持つ\nここが問われる　自動的な判断だけで重要な決定を受けない権利が定められている"
    },
    {
      "front": "著作権",
      "back": "創作物に生じる権利\n学習データと生成物の両面で論点になる",
      "hint": "ちょさくけん　copyright\n数字　日本は情報解析の例外規定を持つ\nここが問われる　学習に使えることと生成物が侵害しないことは別の論点である"
    },
    {
      "front": "敵対的サンプル",
      "back": "微小な改変でだます入力\n人には分からない摂動で誤分類させる入力",
      "hint": "てきたいてきさんぷる　adversarial example\n数字　画像認識で顕著\nここが問われる　人の目には元の画像と区別がつかない点が問題の核心である"
    },
    {
      "front": "頑健性",
      "back": "入力の乱れへの強さ\n雑音や改変があっても性能が落ちない性質",
      "hint": "がんけんせい　robustness\n数字　精度とは別に評価する\nここが問われる　高い精度を出すモデルが頑健とは限らない"
    },
    {
      "front": "差分プライバシー",
      "back": "個人の影響を隠す仕組み\n雑音を加えて個人の有無を判別できなくする",
      "hint": "さぶんぷらいばしー　differential privacy\n数字　保護の強さをεで表す\nここが問われる　保護を強くするほど精度は落ちるという取引になる"
    },
    {
      "front": "連合学習",
      "back": "データを集めずに学ぶ方式\n各端末で学習し重みだけを集約する",
      "hint": "れんごうがくしゅう　federated learning\n数字　データは手元から出さない\nここが問われる　生データを送らないので医療や端末利用で有効になる"
    },
    {
      "front": "AI事業者ガイドライン",
      "back": "国が示す事業者向け指針\n開発・提供・利用の各主体に求める事項を示す",
      "hint": "えーあいじぎょうしゃがいどらいん　AI business guidelines\n数字　2024年に統合され公表\nここが問われる　法的な強制力はなく自主的な取組を促す文書である"
    },
    {
      "front": "人間中心のAI社会原則",
      "back": "日本のAI政策の基本原則\n人間の尊厳を中心に据えた7つの原則を掲げる",
      "hint": "にんげんちゅうしんのえーあいげんそく　human-centric AI principles\n数字　2019年に政府が公表\nここが問われる　技術ではなく社会の側が守るべき原則を示した文書である"
    },
    {
      "front": "演算精度と性能",
      "back": "ビット数を下げると速くなる\n半精度にすると計算量と転送量が減る",
      "hint": "えんざんせいどとせいのう　precision and speed\n数字　FP16は約2倍速い\nここが問われる　下げすぎると学習が不安定になる"
    },
    {
      "front": "メモリ使用量の見積り",
      "back": "重みと中間結果の合計\n逆伝播のために中間結果を保持する必要がある",
      "hint": "めもりしようりょうのみつもり　memory estimation\n数字　バッチサイズに比例する\nここが問われる　中間結果が支配的になることが多い"
    },
    {
      "front": "GPUの利用率",
      "back": "計算資源が遊んでいないか\nデータ読み込みが遅いと利用率が下がる",
      "hint": "じーぴーゆーのりようりつ　GPU utilization\n数字　データローダを疑う\nここが問われる　計算より入出力が律速になることが多い"
    },
    {
      "front": "勾配集約の通信量",
      "back": "パラメータ数に比例する\n勾配を全装置で共有するための通信の量",
      "hint": "つうしんりょう　communication cost\n数字　All-Reduceで最適化する\nここが問われる　モデルが大きいほど通信が支配的になる"
    },
    {
      "front": "ZeRO",
      "back": "状態を分散して持つ手法\n重みと最適化の状態を装置ごとに分けて持つ方式",
      "hint": "ぜろ　ZeRO\n数字　メモリを大幅に節約できる\nここが問われる　巨大モデルの学習を可能にした"
    },
    {
      "front": "バッチサイズと学習率の関係",
      "back": "大きくしたら学習率も上げる\nバッチを大きくすると勾配のばらつきが減る",
      "hint": "ばっちさいずとがくしゅうりつ　batch size and LR\n数字　線形にスケールさせる\nここが問われる　ウォームアップと組で使うのが定石である"
    },
    {
      "front": "BF16",
      "back": "指数部の広い半精度\nFP16より表現範囲が広く扱いやすい形式",
      "hint": "びーえふじゅうろく　bfloat16\n数字　損失スケーリングが不要になる\nここが問われる　精度は粗いが範囲が広く安定する"
    },
    {
      "front": "カーネル融合",
      "back": "複数の演算をまとめる最適化\nメモリの往復を減らして高速化する手法",
      "hint": "かーねるゆうごう　kernel fusion\n数字　メモリ帯域の節約になる\nここが問われる　計算より転送が支配的な処理で効く"
    },
    {
      "front": "バッチ推論",
      "back": "まとめて推論する方式\n複数の入力をまとめて処理し効率を上げる方式",
      "hint": "ばっちすいろん　batch inference\n数字　遅延と効率の取引になる\nここが問われる　応答時間を犠牲にして処理量を稼ぐ"
    },
    {
      "front": "レイテンシとスループット",
      "back": "応答の速さと処理量\n1件の速さと単位時間の処理数のことをいう",
      "hint": "れいてんしとするーぷっと　latency and throughput\n数字　両立しにくい関係にある\nここが問われる　どちらを優先するかで設計が変わる"
    },
    {
      "front": "量子化の種類",
      "back": "学習後量子化と量子化学習\n後から変換するか、学習時から考慮するか",
      "hint": "りょうしかのしゅるい　types of quantization\n数字　QATのほうが精度が高い\nここが問われる　精度が落ちるならQATを検討する"
    },
    {
      "front": "教師モデルと生徒モデル",
      "back": "蒸留の2つのモデル\n大きい側が教え、小さい側が学ぶ関係",
      "hint": "きょうしともせいと　teacher and student\n数字　ソフトターゲットを使う\nここが問われる　正解ラベルより情報量が多い"
    },
    {
      "front": "構造化枝刈り",
      "back": "チャネル単位で削る枝刈り\nまとまった単位で削るので実際に速くなる",
      "hint": "こうぞうかえだがり　structured pruning\n数字　非構造化は速くならないことがある\nここが問われる　疎行列は実装によっては速くならない"
    },
    {
      "front": "LoRA",
      "back": "低ランクの追加だけを学習\n本体を凍結し小さな行列だけを更新する手法",
      "hint": "ろーら　LoRA\n数字　更新するパラメータが激減する\nここが問われる　大規模モデルの微調整を現実的にした"
    },
    {
      "front": "モデルサーバ",
      "back": "推論を提供する仕組み\n学習済みモデルをAPIとして公開する基盤",
      "hint": "もでるさーば　model server\n数字　バージョン管理も担う\nここが問われる　複数のモデルを切り替えて提供できる"
    },
    {
      "front": "コンテナ",
      "back": "環境ごと持ち運ぶ仕組み\n依存関係をまとめて再現可能にする技術",
      "hint": "こんてな　container\n数字　再現性の確保に効く\nここが問われる　環境の違いによる不具合を防げる"
    },
    {
      "front": "特徴量の一貫性",
      "back": "学習と推論で同じ計算をする\n前処理がずれると性能が落ちる",
      "hint": "とくちょうりょうのいっかんせい　feature consistency\n数字　特徴量ストアで担保する\nここが問われる　学習時と推論時のずれは発見が難しい"
    },
    {
      "front": "データの偏りの検出",
      "back": "属性ごとの性能差を見る\n集団ごとに指標を分けて比較する方法",
      "hint": "かたよりのけんしゅつ　bias detection\n数字　公平性の評価に使う\nここが問われる　全体の精度だけでは偏りが見えない"
    },
    {
      "front": "モデルカード",
      "back": "モデルの説明書\n用途・限界・評価結果を記した文書をいう",
      "hint": "もでるかーど　model card\n数字　責任ある公開の一環\nここが問われる　想定外の使われ方を防ぐ役割もある"
    },
    {
      "front": "推論コストの最適化",
      "back": "運用費を下げる工夫\n量子化・蒸留・バッチ化を組み合わせて下げる",
      "hint": "すいろんこすとのさいてきか　inference cost\n数字　学習より運用の総額が大きい\nここが問われる　長く動かすほど推論の費用が効いてくる"
    }
  ]
}