ITパスポート 令和5年度 問91：aiに関する問題

答えは d です。

ニューラルネットワークは、脳の神経細胞（ニューロン）をマネした仕組み。たくさんの“小さな計算係（ニューロン）”が、バケツリレーのように数字を渡し合って答えを出します。

活性化関数は、その1つのニューロンの中で「受け取った数字をどう変えて、次の係に渡すか」を決める係です。だからdの「入力された値を計算し、次のニューロンに渡す値を出す」が正解。

👉 覚え方：活性化関数＝「ニューロンの中の“次に渡す値を決める”ハンコ」。

ほかの選択肢は「中間層に必要な数を計算する」など、活性化関数の仕事ではないことを言っています。

なぜこれが正解か

正解は d。活性化関数は、一つのニューロン内で「入力の重み付き合計」を受け取り、それを変換して次のニューロンへ渡す出力値を決める関数。dの「一つのニューロンにおいて、入力された値を基に計算し、次のニューロンに渡す値を出力する」が定義に一致する。

各選択肢の解説

• a：結果の信頼度を出力する、は活性化関数の役割ではない（評価指標などの話）。
• b：中間層に必要なニューロン数を出力、はネットワーク構造の設計（ハイパーパラメータ）の話で別物。
• c：最適なニューロン数を出力、も構造設計の話であり活性化関数の機能ではない。

覚え方・ひっかけ注意

活性化関数の仕事は「1個のニューロンの中で、次に渡す値を決める」一点。a〜cは“ネットワーク全体の設計・評価”の話にすり替えたひっかけ。主語が「一つのニューロン」になっているdを選ぶ。

理論的背景

活性化関数の数学的役割を深く理解するには「線形性の問題」から出発する必要がある。活性化関数なしの多層ネットワークを考えると、各層の演算 y = Wx + b（W:重み行列、b:バイアス）は線形変換であり、線形変換の合成はやはり1つの線形変換 y = W'x + b' で表せる。つまり、何層重ねても実質的に1層の線形モデルと同等になってしまい、複雑な非線形パターン（画像の猫の特徴・音声の音素等）を学習できない。活性化関数はこの問題を非線形変換を挿入することで解決する。代表的な活性化関数：①シグモイド f(x) = 1/(1+e^{-x})：出力を0〜1に圧縮。勾配消失問題（深い層で勾配が極小化され学習が止まる）の原因となる。②tanh f(x) = (e^x - e^{-x})/(e^x + e^{-x})：-1〜1に圧縮。シグモイドより勾配が強い。③ReLU（Rectified Linear Unit）f(x) = max(0, x)：負を0に、正をそのまま通す。勾配消失を大幅に軽減し深層学習を実用化した重要な関数。④GELU・SiLU（Swish）：Transformer・GPT系で多用される滑らかな近似関数。⑤ソフトマックス：多クラス分類の出力層で使い、確率分布（合計1）を出力する。

実務での使われ方

活性化関数の選択はモデルの学習性能・収束速度・精度に直接影響するハイパーパラメータの一つである。中間層ではReLU系（ReLU・Leaky ReLU・GELU）が標準的な選択肢となっており、TensorFlow・PyTorchのデフォルト実装もこれに対応している。ReLUの問題点として「Dying ReLU」（負の入力が続くと当該ニューロンが常に0を出力してしまう「死滅」状態になる）があり、Leaky ReLU（負側に小さな傾きを持つ）やPReLU（傾きを学習可能にする）が対策として提案された。出力層では問題の種類によって活性化関数を変える：二値分類→シグモイド（0〜1の確率出力）、多クラス分類→ソフトマックス（各クラスの確率を確率分布として出力）、回帰（連続値予測）→恒等関数（活性化関数なし）、が標準的な設計である。誤差逆伝播（バックプロパゲーション）では各活性化関数の微分が勾配計算に使われるため、微分の計算コスト（ReLUの微分は0または1でほぼ無コスト）が学習速度の一因となる。

試験での位置づけ

活性化関数はITパスポートのAI・ニューラルネットワーク分野で近年出題が増加している概念である。本問の正答選択肢dが「1つのニューロンにおいて」という主語を持つことが識別の鍵であり、「ネットワーク全体の評価・設計」を主題とする誤答a・b・cとの根本的な設問の違いを理解することが重要である。2024〜2025年度のシラバス改訂でAI関連用語の出題範囲が拡大されており、活性化関数のほかに過学習（オーバーフィッティング）と正則化、損失関数、最適化アルゴリズム（SGD・Adam）の基本概念が問われる準備が求められる。基本情報技術者ではCNN（畳み込みニューラルネットワーク）・RNN・Transformerの各アーキテクチャの特性と適用分野、活性化関数の種類と選択基準、バッチ正規化（Batch Normalization）の効果まで問われる。

選択肢の発展補足

選択肢aの「結果の信頼度を出力する」は、モデルの出力に対する評価指標（精度・F1スコア・不確実性推定）の計算に近い記述であるが、活性化関数の機能ではなく評価・解釈可能性（Explainability）の領域の話である。選択肢bの「入力層と出力層のニューロン数から中間層のニューロン数を計算する」は、ネットワーク構造（アーキテクチャ）の設計に関わるハイパーパラメータの話であり、自動的に最適な構造を見つけるニューラルアーキテクチャサーチ（NAS）の研究領域ではあるが活性化関数の機能とは全く別である。選択肢cの「接続構成を基に最適なニューロン数を出力する」も同様にアーキテクチャ探索の話であり、人間（またはAutoML）が決定するものである。これらの誤答は「活性化関数＝ネットワーク全体の設計・評価を行う何か」という誤解を誘う設計になっており、活性化関数が「個々のニューロン内部の変換」を担う局所的・基本的な構成要素であるという正確な理解を確認している。