🔖 キーワード索引（補強）

🔖 キーワード索引（補強）

深層学習アーキテクチャに関する概念のチップ集。

🎨 直感で掴む — 深層学習（応用） の本質

深層学習の応用領域は広く、 画像認識（CNN）、 自然言語（Transformer）、 強化学習、 生成 AI（拡散モデル）等が含まれる。 SSDSE-B-2026 のような 47 行 × 100 列の小規模表データには通常向かないが、 多年度を統合した時系列・パネル化や、 都道府県別の衛星画像等と組み合わせると深層学習の出番が出てくる。

📐 数式または定義 — 深層学習（応用） の形式的表現

直感で全体像を掴んだら、 次は厳密な定義を見ます。 数式は短いものでも、 「何を入力にして、 何を出力するのか」を意識して読むと早く慣れます。

🔬 数式を言葉で読み解く — 深層学習（応用） の記号辞書

上の数式に出てくる各記号が何を表すかを、 言葉で翻訳します。 1 つずつ自分の言葉で言い換えられるようになると、 論文や教科書のスピードが一気に上がります。

🧮 SSDSE-B-2026 で実値計算 — 深層学習の実例

SSDSE-B-2026 は表形式のため CNN/RNN の本領ではないが、 MLP（多層パーセプトロン）の学習練習に使えます。

例：MLP で都道府県の高齢化率を回帰

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45

import pandas as pd
import torch
import torch.nn as nn
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score

torch.manual_seed(0)
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)
# 目的変数: 合計特殊出生率 / 特徴量: 人口規模に左右されない 5 つの比率・気候指標
df['高齢化率'] = df['65歳以上人口'] / df['総人口']
df['若年率'] = df['15歳未満人口'] / df['総人口']
df['婚姻率'] = df['婚姻件数'] / df['総人口'] * 1000
feats = ['高齢化率', '若年率', '婚姻率', '年平均気温', '降水日数（年間）']

X_tr, X_te, y_tr, y_te = train_test_split(df[feats].values, df['合計特殊出生率'].values,
                                          test_size=0.2, random_state=42)
sx, sy = StandardScaler().fit(X_tr), StandardScaler().fit(y_tr.reshape(-1, 1))   # 訓練側だけで標準化
X_tr_t = torch.tensor(sx.transform(X_tr), dtype=torch.float32)
y_tr_t = torch.tensor(sy.transform(y_tr.reshape(-1, 1)), dtype=torch.float32)
X_te_t = torch.tensor(sx.transform(X_te), dtype=torch.float32)

class MLP(nn.Module):
    def __init__(self, d_in):
        super().__init__()
        self.net = nn.Sequential(
            nn.Linear(d_in, 32), nn.ReLU(), nn.Dropout(0.2),
            nn.Linear(32, 16), nn.ReLU(),
            nn.Linear(16, 1))
    def forward(self, x): return self.net(x)

model = MLP(len(feats))
opt = torch.optim.AdamW(model.parameters(), lr=1e-2, weight_decay=1e-4)
loss_fn = nn.MSELoss()
for ep in range(200):
    model.train(); opt.zero_grad()
    pred = model(X_tr_t)
    loss = loss_fn(pred, y_tr_t)
    loss.backward(); opt.step()
print('最終 loss（標準化した y の MSE）:', round(loss.item(), 4))

model.eval()                                  # Dropout を止めて予測
with torch.no_grad():
    y_hat = sy.inverse_transform(model(X_te_t).numpy()).ravel()
print('テスト R²:', round(r2_score(y_te, y_hat), 3))

💬 564 行のうち 451 行で学習し、標準化した出生率の MSE は 0.1208 まで下がった（分散 1 のうち約 12% が残る）。テスト 113 行の R² は 0.904 と高いが、行を無作為に分けているので、同じ県の別の年度が訓練側にも入っており、「その県の出生率の水準」を覚えていれば当たる。Dropout を入れたモデルは model.eval() に切り替えないと予測のたびに値が揺れるので、評価の前に必ず切り替える。

例：sklearn の MLPRegressor で同等処理

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

import pandas as pd
from sklearn.neural_network import MLPRegressor
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import make_pipeline
from sklearn.compose import TransformedTargetRegressor
from sklearn.model_selection import cross_val_score

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)
# 目的変数: 合計特殊出生率 / 特徴量: 人口規模に左右されない 5 つの比率・気候指標
df['高齢化率'] = df['65歳以上人口'] / df['総人口']
df['若年率'] = df['15歳未満人口'] / df['総人口']
df['婚姻率'] = df['婚姻件数'] / df['総人口'] * 1000
feats = ['高齢化率', '若年率', '婚姻率', '年平均気温', '降水日数（年間）']
X = df[feats].values
y = df['合計特殊出生率'].values

mlp = TransformedTargetRegressor(            # y も標準化してから学習させる
    regressor=make_pipeline(StandardScaler(),
                            MLPRegressor(hidden_layer_sizes=(32, 16), max_iter=2000,
                                         alpha=1e-4, random_state=0)),
    transformer=StandardScaler())
# cv=5 はシャッフルしないので、県ごとに 12 年度が並ぶこのデータでは「未知の県」を当てる評価になる
scores = cross_val_score(mlp, X, y, cv=5, scoring='r2')
print('fold 別 R²:', scores.round(3))
print('CV R²:', scores.mean())

💬 同じ 5 特徴量でも、cv=5（シャッフルなし）で評価すると R² は 0.425〜0.825、平均 0.653 に下がる。データは県ごとに 12 年度が並んでいるので、各 fold は約 9 県を丸ごと外して予測することになり、直前の無作為分割の 0.904 より厳しい評価になる。同じ分け方で標準化＋線形回帰を当てると約 0.71 で、564 行・5 特徴量の表データではニューラルネットが線形モデルに勝てていない。

🧮 実値で計算してみる — SSDSE-B-2026 で 深層学習（応用） を体感

数式だけでは「分かった気になる」だけで終わりがち。 ここで SSDSE-B-2026（教育用標準データセット — 47 都道府県 × 100+ 指標、 2012-2023 年度）の実値を当てはめて、 深層学習（応用） の挙動を電卓的に追体験します。

SSDSE-B-2026 は 統計センターの SSDSE 配布ページ から CSV を直接ダウンロードできます。 本サイトでは data/raw/SSDSE-B-2026.csv に配置している前提でコードを書いています。

🧮 数式に値を入れて手で計算する: 層別パラメータ数

合成 3 層 MLP (入力 784 → 128 → 64 → 10) の総パラメータ数を計算する。

Step 1: 層別パラメータ

Step 2: 総和

🐍 Python で再現

1
2
3
4
5
6

import numpy as np
layers = [(784, 128), (128, 64), (64, 10)]
params = [(i*o + o) for i, o in layers]
print(f"層別パラメータ: {params}")
print(f"合計: {sum(params):,}")
print(f"サイズ (float32): {sum(params)*4/1024:.1f} KB")

📤 実行結果

💬 手計算 (Step 2) 109,386 パラメータと Python 出力が完全一致。

🐍 13. ライブラリ早見表

🐍 13. ライブラリ早見表

📜 14. 深層学習アーキテクチャの歴史

• 1989：LeCun の LeNet（CNN の祖、 手書き数字）
• 1997：Hochreiter & Schmidhuber の LSTM
• 2012：AlexNet が ImageNet 圧勝
• 2014：VGG、 GoogLeNet、 GAN、 Word2Vec、 Seq2Seq
• 2015：ResNet、 BatchNorm、 Adam
• 2017：Transformer "Attention Is All You Need"
• 2018：BERT、 GPT-1
• 2019：GPT-2、 EfficientNet、 NeurIPS の大規模化議論
• 2020：GPT-3、 ViT、 CLIP
• 2021：DALL·E、 Codex、 拡散モデル普及
• 2022：ChatGPT、 Stable Diffusion、 ConvNeXt
• 2023：GPT-4、 LLaMA、 Mamba (SSM)
• 2024-2025：マルチモーダル基盤モデル、 エージェント、 効率化

💼 15. 実務応用

• 画像：医療画像診断（U-Net）、 自動運転（YOLO）、 顔認証
• 音声：音声認識（CTC・Whisper）、 音声合成（VITS）
• NLP：機械翻訳、 文書要約、 質問応答、 チャットボット
• 生成：画像生成（Stable Diffusion）、 動画生成（Sora）
• 科学：タンパク質構造予測（AlphaFold）、 天文画像処理
• 推薦：埋め込みベース推薦、 系列推薦（SASRec）
• 金融：時系列予測、 異常検知

✅ 16. 深層学習プロジェクト チェックリスト

• □ データの性質に合ったアーキテクチャを選んだか？
• □ 事前学習モデルを活用したか？
• □ 入力を適切に正規化したか？
• □ Data Augmentation を実施したか？
• □ 学習率スケジュール（cosine 等）を使ったか？
• □ Dropout・Weight Decay・Early Stopping で過学習を抑えたか？
• □ 訓練/検証 損失曲線を可視化したか？
• □ 推論時に model.eval() を呼んだか？
• □ 複数 seed で再現性確認したか？
• □ ベースライン（GBDT・線形）と比較したか？
• □ モデルカードを作成したか？

🎓 17. 深層学習を成功させる実践のコツ

17.1 デバッグの順番

1. ごく小さいサブセット（1〜2 バッチ）でモデルがオーバーフィットできるか確認
2. できなければアーキテクチャ・損失関数のバグ
3. できたら通常データで学習、 訓練損失が下がるか確認
4. 検証損失が改善するか確認
5. 過学習を抑える調整に進む

17.2 学習率の選び方

• 初手：Adam で 1e-3、 fine-tune は 1e-5〜5e-5
• LR Range Test：徐々に上げて損失が爆発する直前を見る
• Cosine Annealing：滑らかに下げる（Transformer 標準）
• Warmup：最初の数百ステップで徐々に上げる（大バッチ必須）

17.3 バッチサイズ

• 大きい：勾配ノイズ小、 速い、 GPU メモリ要
• 小さい：汎化性能が良いことが多い
• Gradient Accumulation で実効的に大バッチ化

17.4 GPU メモリ削減

• 混合精度学習（AMP）
• Gradient Checkpointing
• 勾配累積
• FlashAttention
• LoRA・量子化（QLoRA）

🤗 18. Hugging Face エコシステム

事前学習モデルのデファクト標準。 数万のモデルが公開されている。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

from transformers import pipeline
# 感情分析
clf = pipeline('sentiment-analysis', model='cl-tohoku/bert-base-japanese-v3')
print(clf('この商品は素晴らしいです'))

# テキスト生成
gen = pipeline('text-generation', model='rinna/japanese-gpt-neox-3.6b')
print(gen('日本の首都は'))

# ゼロショット分類
zsc = pipeline('zero-shot-classification', model='facebook/bart-large-mnli')
print(zsc('I love this movie', candidate_labels=['positive','negative']))

# 画像分類
img = pipeline('image-classification', model='google/vit-base-patch16-224')

❓ 19. よくある質問

Q. Transformer は CNN を完全に置き換えますか？

A. 大規模事前学習があれば ViT が勝つことが多いですが、 中小規模では CNN が依然強力。 ConvNeXt 等の現代 CNN は ViT と互角。

Q. LSTM はもう古い？

A. 短系列・低リソースなら現役。 長系列・大規模なら Transformer が標準。 最近は Mamba（SSM）が中間域で注目。

Q. 自前で大規模事前学習は可能？

A. GPT-3 級は数千〜数億ドル。 現実的には公開モデルを fine-tune が標準。 ドメイン特化なら継続事前学習（Domain-Adaptive Pretraining）。

Q. パラメータが多いほど良い？

A. 一般に大きいほど性能向上（scaling law）だが、 推論コスト・遅延・環境負荷とのトレードオフ。 蒸留・量子化で運用効率化。

📈 20. スケーリング則（Scaling Laws）

Kaplan ら 2020 / Hoffmann ら 2022（Chinchilla）。 モデル損失 $L$ はパラメータ数 $N$・データ量 $D$・計算量 $C$ の冪乗則に従う：

$$L(N, D) \approx L_\infty + \frac{A}{N^\alpha} + \frac{B}{D^\beta}$$

Chinchilla 則：与えられた計算量に対し、 $N \propto D$ で釣り合わせるのが最適。 つまり「データ不足の大モデル」より「データ豊富な小〜中モデル」のほうが効率良い。

⚡ 21. モデル量子化と運用効率化

• FP32 → FP16/BF16：メモリ半分、 ほぼ精度維持
• INT8 量子化：さらに 4 倍メモリ削減、 軽い精度低下
• INT4 (GPTQ, AWQ)：LLM の主流、 INT4 でほぼ精度維持
• 知識蒸留 (Distillation)：教師モデル → 小さい生徒モデル
• プルーニング：不要な重みを 0 化
• ONNX：ランタイム横断の形式
• TensorRT / OpenVINO：推論専用最適化

📊 22. 主要ベンチマーク

1. PyTorch — 標準的なトレーニングループ

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

import torch
import torch.nn as nn
from torch.utils.data import DataLoader, TensorDataset

class Net(nn.Module):
    def __init__(self, d_in):
        super().__init__()
        self.fc = nn.Sequential(nn.Linear(d_in, 64), nn.ReLU(), nn.Linear(64, 1))
    def forward(self, x): return self.fc(x)

# X, y は事前に標準化済み torch tensor
net = Net(5)
opt = torch.optim.AdamW(net.parameters(), lr=1e-3)
loss_fn = nn.MSELoss()

# ループ例
for epoch in range(100):
    opt.zero_grad()
    # pred = net(X); loss = loss_fn(pred, y); loss.backward(); opt.step()

2. PyTorch Lightning — 高水準ラッパー

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

import pytorch_lightning as pl
import torch
import torch.nn as nn

class LitMLP(pl.LightningModule):
    def __init__(self, d_in):
        super().__init__()
        self.net = nn.Sequential(nn.Linear(d_in, 32), nn.ReLU(), nn.Linear(32, 1))
        self.loss = nn.MSELoss()
    def training_step(self, batch, _):
        x, y = batch
        return self.loss(self.net(x), y)
    def configure_optimizers(self):
        return torch.optim.AdamW(self.parameters(), lr=1e-3)

# trainer = pl.Trainer(max_epochs=50); trainer.fit(LitMLP(5), dataloader)

3. TensorFlow / Keras — 高水準 API

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import tensorflow as tf

model = tf.keras.Sequential([
    tf.keras.layers.Dense(32, activation='relu', input_shape=(5,)),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(16, activation='relu'),
    tf.keras.layers.Dense(1)
])
model.compile(optimizer=tf.keras.optimizers.AdamW(1e-3), loss='mse', metrics=['mae'])
# model.fit(X, y, epochs=50, validation_split=0.2, batch_size=8)

4. scikit-learn MLPRegressor — 簡易 MLP

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

from sklearn.neural_network import MLPRegressor, MLPClassifier
from sklearn.preprocessing import StandardScaler

# 表形式の小〜中規模データ向け
mlp = MLPRegressor(
    hidden_layer_sizes=(64, 32),
    activation='relu',
    solver='adam',
    learning_rate_init=1e-3,
    early_stopping=True,
    n_iter_no_change=10,
    max_iter=500,
    random_state=0
)
# mlp.fit(StandardScaler().fit_transform(X), y)

5. Hugging Face transformers — 事前学習モデル fine-tune

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

from transformers import AutoModel, AutoTokenizer, AutoConfig
import torch.nn as nn

class TextClassifier(nn.Module):
    def __init__(self, model_name, n_classes):
        super().__init__()
        self.encoder = AutoModel.from_pretrained(model_name)
        hidden = self.encoder.config.hidden_size
        self.head = nn.Linear(hidden, n_classes)
    def forward(self, input_ids, attention_mask):
        out = self.encoder(input_ids=input_ids, attention_mask=attention_mask)
        cls = out.last_hidden_state[:, 0, :]
        return self.head(cls)

# model = TextClassifier('cl-tohoku/bert-base-japanese-v3', n_classes=4)

🐍 Python 実装 — 深層学習（応用） を SSDSE-B-2026 で動かす

🎯 このコードでやること: SSDSE からニューラルネットに入れるデータを組み立て、 隠れ層 2 段（16→8）の多層パーセプトロン（MLPRegressor）で 2023 年度 47 県の合計特殊出生率を予測します。 「大学等進学率」「労働力人口」は SSDSE-B に列として存在しないので、 進学率は「高等学校卒業者のうち進学者数 ÷ 高等学校卒業者数」で計算し、 労働力人口の代わりに生産年齢人口（15〜64 歳）を使います。 無い列を作らず、 実在する列から導出するという原則を守っています。 ネットの成績は 5 分割交差検証の MAE で測り、 同じ特徴量の線形回帰と「平均で予測するだけ」の基準と並べて、 47 行で深いモデルを使う意味があるかを確かめます。 なお pd.read_csv('data/raw/SSDSE-B-2026.csv') をパス変数にせず直書きしているのは、 初学者が「パスをどこに書くべきか」で迷わないようにするためです。 CSV を同じ階層に置けばそのまま動きます。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41

# 深層学習（応用） を SSDSE-B-2026 で確かめる最小コード
import pandas as pd
import numpy as np
from sklearn.neural_network import MLPRegressor
from sklearn.linear_model import LinearRegression
from sklearn.dummy import DummyRegressor
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import make_pipeline
from sklearn.model_selection import KFold, cross_val_predict

# 1) SSDSE-B-2026（教育用標準データセット）を読み込み、2023 年度の 47 県に絞る
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)
df23 = df[df['年度'] == 2023].copy()
print('rows in 2023:', len(df23))

# 2) ネットに入れる特徴量を実在する列から組み立てる
#    「大学等進学率」「労働力人口」は列として無いので導出・代用する
df23['大学等進学率'] = df23['高等学校卒業者のうち進学者数'] / df23['高等学校卒業者数'] * 100
df23['生産年齢人口割合'] = df23['15～64歳人口'] / df23['総人口'] * 100
df23['高齢化率'] = df23['65歳以上人口'] / df23['総人口'] * 100
df23['log総人口'] = np.log10(df23['総人口'])
feats = ['大学等進学率', '生産年齢人口割合', '高齢化率', 'log総人口']
X = df23[feats].to_numpy()
y = df23['合計特殊出生率'].to_numpy()
print(df23[feats].describe().loc[['mean', 'min', 'max']].round(2))

# 3) 深層学習（応用） の本処理：隠れ層 2 段（16→8）の多層パーセプトロン
#    標準化してから入れる。比較用に同じ特徴量の線形回帰も用意する
mlp = make_pipeline(StandardScaler(),
                    MLPRegressor(hidden_layer_sizes=(16, 8), alpha=1e-2,
                                 max_iter=5000, random_state=0))
lin = make_pipeline(StandardScaler(), LinearRegression())

# 4) 5 分割交差検証（学習に使っていない県で予測）で MAE を比べる
cv = KFold(n_splits=5, shuffle=True, random_state=0)
print('---- 深層学習（応用） 結果 ----')
for name, model in [('MLP(16,8)', mlp), ('線形回帰', lin),
                    ('平均で予測', DummyRegressor())]:
    pred = cross_val_predict(model, X, y, cv=cv)
    mae = np.abs(pred - y).mean()
    print(f'{name:10s} 交差検証 MAE = {mae:.3f}')

💬 学習に使っていない県での MAE は、線形回帰が 0.040 に対し、MLP(16,8) は 0.134 で、平均値を返すだけの基準 0.107 よりも悪い。4 特徴量・47 行に対し MLP のパラメータは重み 4×16＋16×8＋8×1＝200 個に切片 25 個を加えて 225 個あり、データ量に比べて自由度が大きすぎるうえ、学習データでも MAE 0.096 までしか下がっておらず最適化も十分に進んでいない。深層学習が力を発揮するのは画像・文章のように標本が数万以上ある場面で、都道府県の表データではまず線形モデルを基準に置き、それを超えられるかで判断する。

うまく動かないときは ①data/raw/SSDSE-B-2026.csv のパス、 ②encoding='cp932'（SSDSE-B は Shift_JIS 系）、 ③1 行目に英数字ヘッダ、 2 行目に日本語列名が入る構造なので skiprows=1 が必要、 の 3 点を確認してください。

🐍 Python 実装 1 — データ読み込みと describe

このコードでやること: SSDSE-B-2026 の CSV を pd.read_csv で読み込み、 都道府県・総人口・合計特殊出生率・大学等進学率・生産年齢人口の 5 列を抽出して .describe() で要約統計量を確認する。 DLA を組む前に必ず通すべきデータ確認の段。

📥 入力データ: data/raw/SSDSE-B-2026.csv（564 行 × 112 列、 1 行 = 1 都道府県 × 年度）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18

import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=1, encoding='cp932')
df = df[df['地域コード'].astype(str).str.match(r'^R\d{5}$', na=False)].copy()
for _c in df.columns[3:]:
    df[_c] = pd.to_numeric(df[_c], errors='coerce')

# 「大学等進学率」「労働力人口」は SSDSE-B に列として存在しない。
# 進学率は実在する列から計算し、労働力人口の代わりに生産年齢人口（15〜64歳）を使う
df['大学等進学率'] = (df['高等学校卒業者のうち進学者数']
                      / df['高等学校卒業者数'] * 100)
_wa = [c for c in df.columns if c.startswith('15') and c.endswith('64歳人口')][0]
df['生産年齢人口'] = df[_wa] / 1000        # 人 → 千人
df['総人口'] = df['総人口'] / 1000          # 人 → 千人（本文の単位に合わせる）

cols = ['都道府県', '総人口', '合計特殊出生率', '大学等進学率', '生産年齢人口']
sub = df[cols].dropna()
print(sub.describe().round(2))

📤 実行すると次の出力が得られる:

💬 564 行（47 都道府県 × 12 年度）すべてで欠損は無い。総人口の標準偏差（2,731 千人）は平均（2,691 千人）とほぼ同じで、最小 537 千人・最大 14,086 千人と 26 倍の開きがある → 都道府県間のばらつきが極めて大きい。 DLA に投入する前に 標準化または log 変換がほぼ必須。

🐍 Python 実装 2 — MLP（多層パーセプトロン）で総人口を予測

このコードでやること: 説明変数 3 つ（合計特殊出生率・大学等進学率・生産年齢人口（労働力人口の代わり））から目的変数（総人口）を予測する 3 層 MLP を sklearn.neural_network.MLPRegressor で構築する。 標準化 → 学習 → 評価まで通す。

📥 入力データ: 実装 1 の sub データフレーム（564 行 × 5 列 = 47 都道府県 × 12 年度）。 X は出生率・進学率・生産年齢人口、 y は総人口（千人）。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

from sklearn.preprocessing import StandardScaler
from sklearn.neural_network import MLPRegressor
from sklearn.metrics import r2_score, mean_absolute_error

# 前のブロックで作った sub の列に合わせる（労働力人口の代わりに生産年齢人口）
X = sub[['合計特殊出生率', '大学等進学率', '生産年齢人口']].values
y = sub['総人口'].values

scaler = StandardScaler()
Xz = scaler.fit_transform(X)

model = MLPRegressor(hidden_layer_sizes=(16, 8),
                     activation='relu',
                     max_iter=2000,
                     random_state=0)
model.fit(Xz, y)
pred = model.predict(Xz)
print(f'R^2  = {r2_score(y, pred):.4f}')
print(f'MAE  = {mean_absolute_error(y, pred):,.1f} 千人')

📤 実行すると次の出力が得られる:

💬 3 層 MLP（16→8→1）で R²=0.9887、 平均絶対誤差 215.7 千人。 ただしこれは訓練データの学習誤差であり、 このままでは過学習かどうか判断できない。 後段でクロスバリデーションを行う。

🐍 Python 実装 3 — 5-fold CV で汎化性能を確認

このコードでやること: 実装 2 の MLP に対し sklearn.model_selection.cross_val_score で 5-fold クロスバリデーションを行い、 訓練誤差と汎化誤差の差（過学習度）を測る。

📥 入力データ: 実装 2 の Xz, y（564 行）。

1
2
3
4
5
6

from sklearn.model_selection import cross_val_score, KFold

cv = KFold(n_splits=5, shuffle=True, random_state=0)
scores = cross_val_score(model, Xz, y, cv=cv, scoring='r2')
print(f'5-fold R^2: {scores}')
print(f'mean = {scores.mean():.4f}, std = {scores.std():.4f}')

📤 実行すると次の出力が得られる:

💬 訓練 R²=0.9887 と CV mean R²=0.9847 の差はわずか 0.004 (5 分割の幅も 0.981〜0.991 と狭い)。 ただし行を無作為に 5 分割しているので、同じ県の別の年度が訓練側に入っており、「未知の県」を当てる評価にはなっていない。 そもそも R² がここまで高いのは説明変数に生産年齢人口（≈総人口の 6 割）が含まれるからで、 実務では予測対象と高相関な変数を抜く工夫（リーケージ回避）が必須。

🐍 Python 実装 4 — アーキテクチャ比較（hidden_layer_sizes をスイープ）

このコードでやること: DLA の中核「深さ vs 幅」を実証する。 同じ SSDSE-B-2026 データに対し、 (4,)・(16,)・(16,8)・(32,16,8)・(64,32,16,8) の 5 種類で CV R² を計測。 深さ／幅の効果を可視化。

📥 入力データ: 実装 2 の Xz, y。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

import pandas as pd
from sklearn.compose import TransformedTargetRegressor
from sklearn.preprocessing import StandardScaler
archs = [(4,), (16,), (16,8),
         (32,16,8), (64,32,16,8)]
rows = []
for a in archs:
    # y（総人口・千人）も標準化してから学習させる。
    # 千人単位のままだと (4,)・(16,) は 3000 回で収束せず、構造ではなく学習不足の比較になる
    m = TransformedTargetRegressor(
        regressor=MLPRegressor(hidden_layer_sizes=a, max_iter=3000, random_state=0),
        transformer=StandardScaler())
    s = cross_val_score(m, Xz, y, cv=cv, scoring='r2')
    rows.append({'arch': str(a), 'cv_r2_mean': s.mean(), 'cv_r2_std': s.std()})
print(pd.DataFrame(rows).round(4))

📤 実行すると次の出力が得られる:

💬 CV R² は (4,) の 0.9843 から (64,32,16,8) の 0.9971 まで、深く広くするほど単調に上がり、最も大きいネットで劣化は見られなかった。 総人口は生産年齢人口とほぼ比例（相関 0.9986）していて、しかも行を無作為に分けているため同じ県の別年度が訓練側にあり、大きなネットほどそれを細かく覚えられるからである。 y を千人単位のまま学習させると (4,) は -0.23、(16,) は 0.40 と崩れるが、これは 3000 回の反復で収束しなかっただけで構造の差ではないので、比べる前に y も標準化する。

📋 アーキテクチャ別の特性比較

SSDSE-B-2026 のような「表形式・少量・564 行（47 県 × 12 年）」に対しては、 すべての DLA が等しく強いわけではない。 用途別の整理を下表にまとめる。

💬 SSDSE-B-2026 は表形式・47 行という典型的な「小規模・構造化データ」。 DLA を投入するなら MLP が第一選択であり、 CNN/Transformer を無理に当てはめても性能は出ない。 「アーキテクチャはデータの形に合わせる」という大原則を再確認できる。

📋 設計選択肢の対応表（用途別）

💬 小規模データではバッチサイズもフルで OK。 47 行を 32 件ずつ分割するメリットは無い。 バッチ正規化もデータ量が少なすぎると統計量が安定せず、 むしろ性能を悪化させることがある。

⚠️ 10. 深層学習の落とし穴

🏋️ 11. 練習問題

注意：深層学習はテーブルデータの SSDSE-B 47 行では本領発揮しません。 公開画像・テキストデータセットを併用してください。

1
2
3
4
5
6
7

import torch
import torchvision
from torchvision import transforms
trans = transforms.Compose([transforms.ToTensor()])
train = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=trans)
test = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=trans)
# 学習ループは前述の SimpleCNN を参考

1
2
3
4

from transformers import AutoTokenizer, AutoModelForSequenceClassification, Trainer
tokenizer = AutoTokenizer.from_pretrained('cl-tohoku/bert-base-japanese-v3')
model = AutoModelForSequenceClassification.from_pretrained('cl-tohoku/bert-base-japanese-v3', num_labels=2)
# Trainer で fine-tune

📝 12. 報告フォーマット

❌ NG例

「Transformer を使って良い結果が出ました。」

✅ OK例

「日本語感情分類タスク（n_train=8,000、 n_test=2,000、 2クラス）で、 ベースライン LightGBM (TF-IDF) Macro-F1 = 0.78 に対し、 bert-base-japanese-v3 を batch_size=16, lr=2e-5, 3epoch で fine-tune した結果 0.91 を達成。 GPU は V100、 学習時間 12 分。 アテンション可視化で『否定語』周辺に強い注目が確認された。 過学習対策として early stopping (patience=2) を使用。」

⚠️ 深層学習の落とし穴（補強・各 100 文字以上）

⚠️ よくある落とし穴 — 深層学習（応用） で初学者がやりがちなミス

この用語を実務で使うときにつまずきやすい点を、 失敗パターン別に整理しました。 1 度経験すれば回避できるものばかりですが、 先に知っておくと事故が大幅に減ります。

⚠️ よくある落とし穴（DLA 設計編）

• 標準化忘れ: 総人口（千人）と出生率（小数）を同じスケールのまま投入。 MLP では大値が勾配を支配し、 出生率の寄与がほぼ消える。 必ず StandardScaler をパイプラインに入れる。
• 深さを盲信: 「層を増やせば賢くなる」は嘘。 実装 4 では 4 層の (64,32,16,8) が最良だったが、これは同じ県の別年度が訓練側に入る分け方で測ったため。 層を増やして CV が上がっても、県単位で分けた評価でも上がるかを確かめるまでは「深いほど良い」と結論しない。
• リーケージ: 「労働力人口」のように、 目的変数（総人口）とほぼ同じ情報を持つ説明変数を入れると、 R²=0.99 でも実務では再現しない。 説明変数の選択にこそ DLA 以前の知性が要る。
• 活性化のデフォルト過信: ReLU は内部出力が 0 になる "dying ReLU" 問題を持つ。 学習が止まったら GELU や LeakyReLU に切り替える価値がある。
• random_state 未固定: MLP は初期値依存が大きい。 結果を比較するときは必ず random_state=0 を固定し、 複数 seed の平均を見る。

📋 表: ハイパーパラメータ実測表（実装 4 の生データ）

💬 params 数は入力 3 列のとき (4,) の 21 から (64,32,16,8) の 3,009 まで増え、各 fold の訓練行数（約 451 行）を大きく超えても CV R² は下がらなかった。 行を無作為に分けた CV では同じ県の別年度が訓練側にあるので、パラメータの多さがそのまま「覚える力」として効いてしまう。 過学習を確かめるには、県単位で分ける GroupKFold のように、訓練に無い県で評価する必要がある。

📋 表: SSDSE-B-2026 実値による予測結果（2023 年度・抜粋 8 県、実装 2 の MLP）

💬 実装 2 の MLP（564 行すべてで学習）で 2023 年度の値を予測した結果。 8 県のうち誤差が最も大きいのは東京の +934 千人だが、実測比では鳥取の +168 千人（+31%）や青森の +295 千人（+25%）のほうが大きく、47 県全体では奈良（+64%）・山梨（+64%）・京都（+58%）が特に外れる。 学習に使った行でもこれだけずれるので、R²=0.99 は大きな県が支配した値である。 小規模県ほど相対誤差が大きい傾向は、 「不均衡データ」一般の特性。 大規模県だけ評価すれば すごく精度が高いように見えてしまう罠 → 層化サンプリングまたは サンプル重み付けで補正。

🌐 23. 状態空間モデル系（SSM・Mamba）

🌐 23. 状態空間モデル系（SSM・Mamba）

Transformer の長系列計算量 $O(n^2)$ を線形 $O(n)$ にする試み。 2023 年以降の有力候補。

• S4 / S4D (2021-2022)：構造化状態空間モデル
• Mamba (2023)：選択的 SSM、 言語・音声で Transformer に匹敵
• RWKV：RNN ライクな並列学習可能アーキ
• Mamba-2 / Hybrid 系：Attention と SSM のハイブリッド

テーブルデータには不要だが、 長系列処理の最前線として知っておく価値あり。

🎭 24. マルチモーダル学習

画像・テキスト・音声・動画など複数モダリティを統一的に扱う。

• CLIP (2021)：画像-テキストの対照学習
• BLIP / BLIP-2 (2022-2023)：画像キャプション・QA
• Flamingo (2022)：DeepMind の少数 shot 視覚言語モデル
• GPT-4V (2023)：マルチモーダル GPT
• Gemini (2023-2024)：Google のマルチモーダル基盤
• LLaVA (2023)：オープン視覚言語モデル
• Sora (2024)：テキスト→動画

深層学習の応用領域は、 画像 (CNN/ViT)、 系列 (RNN/Transformer)、 生成 (GAN/VAE/Diffusion)、 マルチモーダル (CLIP/LLaVA/Sora) に大別されます。 画像分類なら ViT、 テキスト生成なら Transformer 系 LLM、 画像生成なら Diffusion、 という代表選択肢を押さえておきましょう。

• CNN
• RNN
• LSTM
• Transformer
• GAN
• 拡散モデル
• 強化学習

表中の各手法は本サイト内に個別ページが用意されているものが多いです。 興味を持った概念は、 横展開的に読むと体系的な理解が早く進みます。

🔗 関連用語

• ニューラルネットワーク基礎
• 機械学習の基礎
• 正則化
• 生成AI
• 自然言語処理
• 時系列分析
• 評価指標

🔗 関連用語ネットワーク（前提・並列・発展）

📚 前提となる用語

• NN の基礎
• 誤差逆伝播
• 勾配降下法
• 線形代数
• 最適化

🔀 並列の概念

• ランダムフォレスト
• 勾配ブースティング
• SVM
• ベイズニューラルネット
• アンサンブル学習

🚀 発展的トピック

• 生成 AI — LLM, Diffusion
• 強化学習
• メタ学習
• Few-shot Learning
• ニューロシンボリック AI

🔗 直近の隣人

• 自然言語処理
• 画像認識
• 時系列分析
• 評価指標

🔗 関連用語（前提・並列・発展）— 深層学習（応用） の知識ネットワーク

この用語を理解するうえで関係の深い概念を、 階層的にまとめました。 各チップから直接ページへ飛べます。

🔗 関連用語（前提・並列・発展）

深層学習アーキテクチャの理解には以下の用語が連結している。

• 前提: 活性化関数 ・ 損失関数 ・ 勾配降下法 ・ バックプロパゲーション ・ 標準化 ・ 線形回帰
• 並列: ニューラルネットワーク ・ CNN ・ RNN ・ LSTM ・ Transformer ・ GNN ・ AutoEncoder
• 発展: ハイパーパラメータ最適化 ・ Optuna ・ Nested CV ・ 転移学習 ・ 蒸留 ・ 量子化 ・ スパース化

🎯 理解度チェック（practice）

SSDSE-B-2026 のデータと、 ここまでの実装結果を踏まえて以下に答えよ。 答えは別記事リンク先で確認できる。

1. Q1. 実装 4 で hidden=(64,32,16,8) が hidden=(32,16,8) より CV R² が低くなった理由を 2 つ挙げよ。 ヒント: params 数 3265 とサンプル数 47 を比較せよ。
2. Q2. SSDSE-B-2026 に Transformer を適用するのが推奨されない理由は何か。 自己注意の計算量 O(n²) と n=47 の関係を考えよ。 → Transformer 解説
3. Q3. 「労働力人口」を説明変数から除いた場合、 R² はどれくらい下がると予想されるか。 リーケージとは何か。 → データリーケージ
4. Q4. ReLU を Tanh に変えた場合、 学習が遅くなる理由を勾配の式から説明せよ。 → 活性化関数比較
5. Q5. 鳥取県の予測誤差 +71 千人を半減させるには、 (a) サンプル重み付け、 (b) 層化 5-fold、 (c) Huber 損失、 のどれが最も効果的か。 → 不均衡対策
6. Q6. 47 都道府県を「規模帯 3 群」に分けて embedding 学習する場合、 embedding 次元はいくつが妥当か。 経験則「n_categories ** 0.25」で計算せよ。 → 埋め込み次元の決め方

💬 全問正解できれば、 SSDSE-B-2026 のような小規模・表形式データに対する DLA 設計の勘どころが身についている。 何問か外した場合は、 該当リンクから関連用語ページに飛んで復習を。

🧱 アーキテクチャの構成要素（層・接続・正規化）の詳細

深層学習アーキテクチャを「ブロック」として組み立てるとき、 中核は (a) 層 (Layer)・(b) 接続 (Connection)・(c) 正規化 (Normalization) の 3 種類である。 SSDSE-B-2026 47 都道府県データに当てはめながら、 それぞれの役割と選択基準を整理する。

(a) 層: 全結合層（Dense / Linear）が最も基本。 各都道府県の説明変数 3 つを内積で混ぜ、 非線形性を活性化関数で付与する。 畳み込み層（Conv）は近傍の特徴を共有するため画像に強いが、 表形式 1 行に対しては「空間的近傍」が存在しないので使い所が少ない。 再帰層（RNN/LSTM/GRU）は系列のステップ間に時間方向の重みを共有する。 47 県を時系列に並べる意味はないので、 SSDSE-B-2026 単年度断面では使わない。 注意層（Attention）は系列全体を一度に見て重み付けする。 こちらも単年度では出番が薄い。

(b) 接続: 直列接続が基本（入力 → 隠れ層 1 → 隠れ層 2 → 出力）。 これに スキップ接続（ResNet） を加えると、 勾配消失を抑えて深い層でも学習が進む。 ただし 47 行のデータに対して 10 層以上のスキップネットを組むのは過剰。 2〜3 層なら直列で十分。 マルチタスク接続（共通エンコーダ + タスク別ヘッド）は、 例えば「総人口」と「労働力人口」を同時に予測するときに役立つが、 SSDSE-B-2026 のように説明変数が共通であれば、 単独タスクのほうが解釈が容易。

(c) 正規化: バッチ正規化（BatchNorm） はミニバッチ単位で平均・分散を補正する。 47 行データではバッチサイズが小さくなると統計量が不安定になり、 むしろ性能を落とすことがある。 層正規化（LayerNorm） はサンプル単位で正規化するためバッチサイズに左右されない。 Transformer の標準で、 表形式の小規模データでも比較的安定する。 グループ正規化（GroupNorm） はチャンネルを分割して正規化するため画像に向く。 SSDSE-B-2026 では事実上 LayerNorm かスタンダードな StandardScaler 前処理で十分。

💬 「層を増やす vs ブロックを増やす」は別問題。 SSDSE-B のような小規模では層数を増やすより、 入力側で 特徴量エンジニアリング（出生率 × 進学率の交互作用、 人口の対数化など）の方が効果的なことが多い。

🛠️ デバッグ手順（学習がうまくいかない時のチェックリスト）

SSDSE-B-2026 で MLP を組んで「R² が 0.3 しか出ない」と詰まったとき、 アーキテクチャを疑う前に下記を順に確認する。 95% の問題は最初の 3 項目で解決する。

1. 標準化: 入力 X を StandardScaler で平均 0・分散 1 に揃えたか。 目的変数も極端に大きい場合は log 変換 を検討。
2. 学習率: Adam なら 1e-3 が出発点。 大きすぎると発散（loss が NaN）、 小さすぎると収束しない（loss が下がらない）。 train loss を可視化して傾きを観察。
3. max_iter: sklearn の MLPRegressor デフォルト 200 は少なすぎることが多い。 2000〜5000 まで増やしてみる。
4. random_state: 固定して再現性を担保。 初期値依存が大きいので、 複数 seed で平均を取る。
5. サンプル数 vs パラメータ数: パラメータが多すぎると過学習。 「params ≦ サンプル × 5」を目安に。
6. 説明変数の選択: 目的変数と高相関すぎる説明変数（リーケージ）が混ざっていないか。 相関行列をまず確認。
7. 欠損値: .dropna() し忘れていないか。 欠損のままでは MLP は学習できない。
8. クラス不均衡: 分類タスクの場合、 多数派クラスばかり予測する症状なら class_weight='balanced'。

💬 SSDSE-B-2026 で R² が 0.99 出るのは、 説明変数に労働力人口が入っているから。 リーケージを避けて出生率と進学率だけにすると R² は 0.6〜0.7 に落ちる。 これが「真の難易度」。

🔄 アーキテクチャ選択フロー（決定木）

どの DLA を選ぶかは、 データ種別とサンプル数から大まかに決まる。 SSDSE-B-2026 を含む「表形式・少量」を出発点に、 場合分けを整理する。

1. データは表形式か？ → Yes なら次へ／No（画像 or 系列）なら分岐先へ。
2. サンプル数は 1,000 未満か？ → Yes なら MLP 2〜3 層か、 そもそも 勾配ブースティング（LightGBM/XGBoost）。 DLA を無理に使う必要はない。
3. サンプル数が 1 万以上か？ → Yes なら MLP の層を増やすか、 TabNet や FT-Transformer の表形式用 DLA を検討。
4. 画像なら？ → CNN（ResNet/EfficientNet/ConvNeXt）。 サンプル少なければ 転移学習。
5. 系列（時系列・言語）なら？ → 短系列なら LSTM、 長系列・並列処理重視なら Transformer。
6. 関係性データなら？ → GNN（GCN/GAT）。
7. 異常検知・次元削減なら？ → AutoEncoder、 VAE、 Normalizing Flow。

💬 SSDSE-B-2026 は (1) Yes → (2) Yes（47 行）なので「MLP 2 層 or 勾配ブースティング」が正解。 実際、 LightGBM を当てると MLP より速く同等精度に到達する。 DLA を選ぶこと自体がベストではなく、 「データに合わせる」のが鉄則。

📝 R650 まとめ（30 秒で振り返り）

• DLA は「データの形」（表形式 / 系列 / 画像）と「データの量」で選び方が変わる。
• SSDSE-B-2026 のような 47 行・表形式には MLP 2〜3 層が最適。 CNN/Transformer は能力過剰。
• 深さを増やしても、 params がサンプル数の数倍を超えると CV 性能はむしろ劣化（実証）。
• 標準化・リーケージ回避・正則化の 3 点セットは DLA を組む前の必須準備。
• R²=0.99 でも小規模県では誤差 13% に達する。 評価は層化または重み付けで行う。

R650 拡張全体を通して、 SSDSE-B-2026 47 都道府県の総人口・出生率・進学率・生産年齢人口という公的データを用いて、 深層学習アーキテクチャ選択の勘どころを実値で確認した。 重要なのは「層を増やせば賢くなる」という素朴な直観を捨て、 データ規模・データ種別・サンプル数に応じて適切な深さと幅を選ぶことである。 47 都道府県という小規模・表形式の典型例では、 MLP 2 層が最適、 4 層以上は過剰、 CNN/Transformer は能力過剰、 という結論が一貫して観察された。 さらに、 リーケージ回避と標準化という前処理が、 アーキテクチャ設計より遥かに大きい影響を持つことも確認できた。 これらは小規模公的データに限らず、 任意の DLA 適用場面で繰り返し問われる普遍的論点である。

📚 関連グループ教材 — 深層学習（応用） を含む全体像

深層学習（応用） は単独で完結する用語ではなく、 大きな概念群の中のひとつ。 同じカテゴリの他用語と合わせて学ぶと、 「何を選ぶべきか」の判断が一気に楽になります。

• カテゴリ全体像 → 用語集トップ
• 概念マップ → 概念マップ
• 論文一覧から関連実装を確認 → 論文一覧

🧭 R650 拡張 — 深層学習アーキテクチャを SSDSE-B-2026 で読み解く

深層学習アーキテクチャ（DLA, Deep Learning Architecture）は、 入力層・隠れ層・出力層の 並べ方とつなぎ方を設計する技術である。 同じデータでも、 全結合（MLP）／畳み込み（CNN）／回帰時系列（RNN）／注意機構（Transformer）のどれを選ぶかで、 学習効率・予測誤差・解釈性が大きく変わる。 ここでは SSDSE-B-2026 47 都道府県の公的データ（人口・出生率・進学率・生産年齢人口など）を題材に、 アーキテクチャ選択がもたらす差を実値で観察する。

この拡張節 (R650) の狙いは 3 点ある。 (1) SSDSE-B-2026 の 47 都道府県データを pd.read_csv('data/raw/SSDSE-B-2026.csv') で読み込み、 表形式データに対する MLP の挙動を観察する。 (2) 同データを系列順（年度順）に並べ替え、 RNN/LSTM が時系列にどう適応するかを観察する。 (3) 画像化（人口ヒートマップ）した擬似サンプルに対する CNN の挙動を観察する。 いずれも実データのみを用い、 合成乱数は使用しない。

📥 入力データ（SSDSE-B-2026）— カラム定義と抜粋

使用するのは、 独立行政法人統計センターが公開している SSDSE-B-2026（都道府県・時系列データ）である。 ファイル名は SSDSE-B-2026.csv、 1 行 = 1 都道府県 × 1 年度（47 県 × 12 年度 = 564 行）、 地域コード（R01000〜R47000）と都道府県名、 そして主要指標（人口・出生数・高校卒業者数など）が列として並ぶ。 「労働力人口」「大学等進学率」という列は無いので、 生産年齢人口（15〜64 歳人口 A1302）で代用し、 進学率は高等学校卒業者のうち進学者数 ÷ 高等学校卒業者数（E4602 / E4601）で計算する。 本拡張では下記 6 列を主に扱う（2023 年度の 47 行）。

📥 入力データ (SSDSE-B-2026 の冒頭 8 県を抜粋):

💬 47 都道府県の総人口は 537 千人（鳥取）〜14,086 千人（東京）まで 26 倍のレンジを持つ。 説明変数（出生率・進学率・生産年齢人口）は単位が混在しているため、 後段の DLA ではスケーリング（標準化）が必須となる。

📊 図 1: 都道府県の人口 × 生産年齢人口（散布図でデータ分布を掴む）

アーキテクチャを選ぶ前に、 まずデータそのものの形を知る必要がある。 下図は SSDSE-B-2026（2023 年度）47 都道府県の総人口（横軸）と生産年齢人口（15〜64 歳、 縦軸）の散布図である。 ほぼ直線的に並ぶ点群と、 右上に離れた神奈川・大阪・愛知、 さらに離れた東京が視認できる。

💬 ここで観察される強い直線関係は、 「複雑な DLA を投入する前に、 単純な線形モデル（線形回帰）で分散の 99.7% を説明できてしまう」ことを示す。 総人口と生産年齢人口を両方入力に入れても情報はほとんど増えない。 DLA を導入するなら、 線形では捉えられない残差の構造を狙う必要がある（後述）。

📊 図 2: 合計特殊出生率のヒストグラム（説明変数の分布特性）

DLA の活性化関数選択や初期化戦略は、 入力の分布形に強く依存する。 下図は 2023 年度 47 都道府県の合計特殊出生率（0.99〜1.60）のヒストグラム。 1.1〜1.5 に集中し、 左右の裾はほぼ対称。

💬 入力分布がほぼ正規であれば標準化（z スコア）で十分。 強い歪みがあれば 対数変換後に DLA に入力する。 図 2 は前者に近いので、 後段の MLP では StandardScaler でそのまま処理する。

📊 図 3: 進学率 × 人口規模帯（箱ひげ図）

都道府県を人口規模で 3 群（小: 〜200 万人、 中: 200〜500 万人、 大: 500 万人〜）に分け、 進学率（高校卒業者のうち進学者の割合 E4602 / E4601）の分布を箱ひげ図で比較する。 群間に明確な差があれば、 規模帯そのものが特徴量の候補になる。

💬 規模帯で中央値が 55.4 → 57.4 → 65.8% と上がるので、 規模帯は進学率を説明する特徴量の候補になる。 ただし北海道・京都のように帯の傾向から外れる県があり、 規模帯だけでは決まらない。 3 水準しかないカテゴリなら one-hot で十分で、 embedding が効くのは水準数が多いカテゴリ（数百〜数万種類の ID など）の場合である。

🗺 概念マップ

関連概念を視覚的に整理した概念マップ。

深層学習 (発展) は CNN/RNN を起点に、 Transformer (Attention is All You Need, 2017)、 BERT/GPT 系の自己回帰・双方向事前学習、 マルチモーダル (CLIP, BLIP, BLIP-2) へと拡張された系譜である。 近年は State Space Model (Mamba, RWKV) や Mamba-2 / Hybrid が二次計算量の Attention を線形に置き換える方向で進化し、 拡散モデル (DDPM) が生成タスクを席巻している。 これらは単なるアーキテクチャの集合ではなく、 「自己教師あり事前学習 + 下流タスクのファインチューニング」というパラダイムで統一されている。

🔗 隣接手法への橋渡し

「深層学習 (発展)」は単独で完結する手法ではなく、 隣接領域と連携することで真価を発揮する。 具体的には次の 3 方向と密接につながる：

• 上流: 深層学習基礎と 誤差逆伝播 — 発展手法の前提理論
• 並列: Attention 機構と Transformer・拡散モデル — 同階層の発展アーキテクチャ
• 下流: 大規模言語モデルと AI 応用 — 発展手法の実装先

発展領域は基礎の上に積まれ、 LLM・生成 AI の社会実装へとつながる。

🌳 手法選択フロー

「深層学習の応用」を実際に使うとき、 何をどう選ぶかを順に判断する。 上から順に答えていくと、 使うべき手法と評価の仕方が決まる。

1. データは何件あるか
   数万件を下回るなら、 まず勾配ブースティングや線形モデルを試す。 47 都道府県のような表データで深層学習を使う理由はほとんど無い。
2. 学習済みモデルを使えるか
   画像・言語では、 ゼロから学習するより学習済みモデルの転移学習が速く、 少ないデータで済む。 ドメインが大きく違う場合だけ、 追加学習の範囲を広げる。
3. 説明が必要か
   審査や政策の根拠にするなら、 何を根拠にしたかを示せる手法を選ぶ。 Grad-CAM や SHAP は手がかりであって、 根拠の証明ではない。
4. 運用まで見通せているか
   学習より運用のほうが長く続く。 推論にかかる時間・費用、 モデルの更新頻度、 性能低下の検知方法を先に決める。

深層学習は「特徴を人が設計しなくてよい」代わりに、 データ量と計算量を要求する。 その 2 つが揃わない場面では、 単純な手法のほうが良い結果になる。