第78回・2026年

78AM31|第78回 診療放射線技師国家試験 過去問

人工ニューラルネットワークの学習過程で各層の重みを出力層側からたどって 調整する方法はどれか。

解答・解説を見る

正解5

正答

5.バックプロパゲーション

この問題のポイント

人工ニューラルネットワークの重みを学習させる手順の名前を問う問題です。決め手は、問題文の「出力層側からたどって」という言葉です。出力と正解の差(誤差)を出力層から入力層の方向へ逆向きに伝え、各層の重みを直す方法がバックプロパゲーション(誤差逆伝播法)です。選択肢1〜4は分類や予測を行うモデルの名前で、多層の重みを逆向きに調整する学習手順ではありません。

解説

ニューラルネットワークのしくみ

人工ニューラルネットワークは、入力層・中間層(隠れ層)・出力層が順につながった計算モデルです。各ユニット(ニューロン)は、前の層からの値に重みを掛けて足し合わせ、バイアスを加えます。その値を活性化関数(シグモイド関数、ReLU〈rectified linear unit:正規化線形関数〉など)に通して、次の層へ渡します。重みは「どの値をどれだけ強く次へ伝えるか」を決める数値で、バイアスとともに学習で調整する対象です。中間層を何層も重ねたネットワークで学習する方法が、ディープラーニング(深層学習)です。

学習の流れ

学習は、次の4段階をくり返して進みます。

  • 順伝播:入力層から出力層へ値を流し、予測値を出す
  • 誤差の計算:予測値と正解(教師データ)の差を、損失関数(平均二乗誤差、交差エントロピーなど)で数値にする
  • 逆伝播:誤差を出力層から入力層の方向へ伝え、各重みが誤差にどれだけ影響したか(勾配)を求める
  • 重みの更新:誤差が小さくなる向きに、各重みを少しずつ修正する

逆伝播で勾配を求め、その勾配で重みを直す一連の方法を、バックプロパゲーションと呼びます。狭い意味では勾配を求める計算を指し、重みの更新には勾配降下法を組み合わせるのが基本です。

なぜ出力層側からたどるのか

正解は出力に対してしか与えられないので、誤差は出力層でしか直接わかりません。出力層につながる重みは誤差に直接影響するので、勾配をすぐに計算できます。それより前の層の重みは、後ろの層を経由して誤差に影響します。そこで微分の連鎖律(合成関数の微分)を使います。後ろの層で求めた勾配に、間にある重みと活性化関数の微分(傾き)を掛けて、1層ずつ前へ送ります。こうして前の層の重みの勾配も求まります。出力層側から順に計算すると、後ろで求めた結果を使い回せます。だから層が多くても、すべての重みの勾配を効率よく求められます。

重みの更新式は次のとおりです。式は「勾配と逆の向き(誤差が減る向き)に、勾配に学習率を掛けた量だけ重みを動かす」という意味です。

w(更新後)= w(更新前)− η × ∂E/∂w

E は誤差(損失)、∂E/∂w はその重みをわずかに変えたときの誤差の変化の割合(勾配)、η は学習率(1回の更新量の大きさを決める係数)です。1回の更新で引く量は η × ∂E/∂w なので、更新の大きさは学習率と勾配の大きさの両方に比例します。誤差が最小になる点に近づくと勾配が0に近づき、更新量も小さくなります。こうして少しずつ動かすことをくり返し、誤差を小さくしていきます。学習率が大きすぎると最小の点を飛び越えて誤差が収束しにくく、小さすぎると学習に時間がかかります。学習率は重みと違って学習では求めず、あらかじめ設定する値(ハイパーパラメータ)です。

関連して問われる知識

  • 画像認識に使う畳み込みニューラルネットワーク(CNN〈convolutional neural network〉)も、畳み込み層のフィルタの値を重みとして、バックプロパゲーションで学習します。
  • 層を深くすると、入力層に近い層ほど勾配が小さくなり、学習が進まなくなることがあります(勾配消失)。勾配には、1層さかのぼるたびに活性化関数の微分が掛かります。シグモイド関数の微分は最大でも0.25なので、何層も掛け重なると勾配が小さくなりやすいのです。更新の大きさは勾配に比例するので、その層の重みはほとんど動きません。ReLU(入力が正なら微分が1)を使うと起こりにくくなります。
  • 医療では、CT・MRI の深層学習を用いた画像再構成(ノイズ低減)や、病変の検出を支援する CAD〈computer-aided detection/diagnosis:コンピュータ支援検出・診断〉などに使われています。

選択肢1〜4との違い

選択肢1〜4は、データを分類・予測する「モデル(手法)」の名前です。どれも正解つきのデータで学ぶ教師あり学習の手法ですが、多層の重みを出力層側から逆にたどって直すしくみは持ちません。問題文が問うのは、学習過程で各層の重みを調整する「方法」です。だから、学習手順の名前である選択肢5だけが当てはまります。

選択肢の確認

1.線形判別分析:誤りです。クラスどうしが最もよく分かれる軸を求めて分類する統計的手法です。クラス間のばらつきとクラス内のばらつきの比が最大になる軸へデータを射影し、線形(直線・平面)の境界で分けます。判別に使う係数は、各クラスの平均と分散共分散から計算で求めます。層構造も逆伝播もありません。正解のクラスを使って軸を決める点が、クラスを使わずにばらつきが最大の軸を求める主成分分析(教師なし学習)との違いです。

2.ランダムフォレスト:誤りです。多数の決定木を組み合わせるアンサンブル学習です。各木は、学習データから重複を許して無作為に取り出した標本(ブートストラップ標本)と、分岐ごとに無作為に選んだ一部の特徴量で作ります。結果は、分類なら多数決、回帰なら平均で出します。学習で決めるのは木の分岐条件で、ネットワークの重みを逆向きに調整するしくみはありません。

3.ロジスティック回帰:誤りです。入力の重み付き和をシグモイド関数(ロジスティック関数)で0〜1の値に変え、あるクラスに属する確率として出す分類モデルです。主に二値分類に使い、名前に「回帰」とあっても分類に使う点が取り違えやすいところです。二値分類では、シグモイド関数を活性化関数とするニューロン1個(中間層のないネットワーク)とみなせます。そのため、出力層から前へたどる中間層がありません。係数は、尤度が最大になるように反復計算で求めます(最尤推定)。

4.サポートベクターマシン:誤りです。クラスを分ける境界(超平面)を、マージンが最大になるように決める分類手法です。マージンとは、境界と最も近いデータ(サポートベクター)との距離です。カーネル法を使うと、非線形の境界も扱えます。境界は最適化問題を解いて求めるもので、層をたどって重みを調整する方法ではありません。

5.バックプロパゲーション:正答です。誤差逆伝播法とも呼びます(back=後ろへ、propagation=伝播)。出力層で求めた誤差を入力層の方向へ逆向きに伝え、連鎖律で各層の重みの勾配を求めて、誤差が減る向きに重みを更新します。問題文の「出力層側からたどって調整する」は、この逆向きの伝播を指しています。

覚えるポイント

  • 「重みを出力層側からたどって調整する」=バックプロパゲーション(誤差逆伝播法)
  • 学習の流れは、順伝播で予測 → 損失関数で誤差 → 逆伝播で勾配 → 勾配降下法で重みを更新、のくり返し
  • 更新式は w ← w − η × ∂E/∂w(η は学習率)。勾配と逆の向きに、学習率×勾配の量だけ動かして誤差を減らす
  • 線形判別分析・ランダムフォレスト・ロジスティック回帰・サポートベクターマシンは分類・予測のモデル名で、重みを逆向きに調整する学習手順ではない
  • 線形判別分析=クラスが最もよく分かれる軸(教師あり。主成分分析は教師なし)、ランダムフォレスト=決定木の集まり(多数決)、サポートベクターマシン=マージン最大化、ロジスティック回帰=シグモイド関数で確率を出す
  • 層が深いと勾配消失が起こりやすく(シグモイド関数の微分は最大0.25)、ReLU がその対策になる

掲載内容は受験学習用に編集しています。正式な正答・採点上の取扱いは、各試験実施機関の発表を優先してください。情報の確認方法と訂正窓口は編集方針に掲載しています。本サービスは診断・治療・臨床判断を目的とするものではありません。

問題文・正答・解説に誤りを見つけたら、この問題の誤りを報告する(medixmatch2025@gmail.com)までお知らせください。確認して修正します。

解いた記録を残して、苦手な問題をもう一度。

学習アプリなら、この問題の解答記録・メモ・暗記カード化を使えます。