ITパスポート 令和8年度 問82：aiに関する問題

答えは a です。

ニューラルネットワーク（脳のしくみをマネしたAI）の学習では、最初は答えをよく間違えます。バックプロパゲーションは、その“間違い具合（誤差）”を後ろから前へ伝えて、つながりの「重み（つよさ）」を少しずつ直していく方法です。

たとえば、ダーツが的から外れたら「もう少し右、もう少し下」と微調整して命中させていくのと同じで、間違いを見て少しずつ正解に近づけます。

👉 覚え方：「バックプロパゲーション＝間違いを後ろに伝えて、重みを直す」。

ほかの選択肢：b 活性化関数を選ぶ／c・d ノード（部品）の数を変える——どれも違います。直すのは「重み」で、目的は「誤差を小さくする」ことです。

なぜこれが正解か

正解は a。バックプロパゲーション（誤差逆伝播法）は、ニューラルネットワークの出力と正解との「誤差」を、出力層から入力層へ逆向きに伝播させ、各ノード間の「重み」を調整して誤差が小さくなるようにする学習アルゴリズム。学習で更新するのは“重み”であり、ノードの数や構造ではない。

各選択肢の解説

• b：重みを調整するのは正しいが、目的は「活性化関数の選択」ではなく「誤差を小さくする」こと。活性化関数は設計時に選ぶもの。
• c：ノードの数を変更するのではない（重みを変える）。
• d：処理速度向上が目的ではない（誤差最小化が目的）。

覚え方・ひっかけ注意

「バックプロパゲーション＝誤差を後ろ向きに伝えて“重み”を更新し、誤差を小さくする」と一文で覚える。ひっかけは「ノードの数を変える（c・d）」と「活性化関数を選ぶ（b）」。学習で動かすのはあくまで重み（とバイアス）であり、層数やノード数・活性化関数はモデル設計（ハイパーパラメータ）として人が決める点を区別する。

理論的背景

バックプロパゲーション（誤差逆伝播法：Backpropagation）はニューラルネットワークの学習アルゴリズムの核心であり、正解aの「各ノードの重みを調整して誤差を小さくする」が正確な定義。1986年にRumelhart・Hinton・Williamsが発表した論文「Learning representations by back-propagating errors」が現代の深層学習の起点となった画期的なアルゴリズムである。

バックプロパゲーションの数学的原理：順伝播（Forward Pass）で入力から出力層まで予測値を計算→損失関数（MSE・クロスエントロピー等）で誤差を計算→逆伝播（Backward Pass）で連鎖律（Chain Rule）を使って各層の重みに対する損失の勾配（偏微分）を計算→勾配降下法（SGD・Adam・RMSprop等のオプティマイザ）で重みをΔw = -η∇L（η：学習率）の式で更新。この反復により損失関数の最小値（局所最小値・大規模ネットワークでは鞍点近傍）に収束する。

重みとノード数の違い（選択肢との区別）：選択肢cとdの「ノード数を変更する」という操作はニューラルネットワークのアーキテクチャ設計（ハイパーパラメータ調整：NAS：Neural Architecture Search等）の話であり、バックプロパゲーションによる学習（パラメータ最適化）とは異なるレイヤーの操作。学習中のバックプロパゲーションはノード数は変えず重みのみを更新する。

実務での使われ方

現代のディープラーニングフレームワーク（PyTorch・TensorFlow・JAX）では自動微分（Autograd）エンジンがバックプロパゲーションを完全自動化しており、モデル実装者が明示的に勾配計算を書く必要はない。GPUによる並列計算でバックプロパゲーションを高速化（行列演算のGPU最適化）することが大規模モデル学習の基盤。

大規模言語モデル（LLM：GPT・Llama・Gemini等）の事前学習は数兆のトークンデータを使ったバックプロパゲーションの大規模反復であり、数千GPU・数週間〜数ヶ月の計算時間・数百〜数千億ドルの計算コストを要する。ファインチューニング（Fine-tuning）・LoRA（Low-Rank Adaptation）もバックプロパゲーションの応用として位置づけられる。勾配爆発（Gradient Explosion）・勾配消失（Vanishing Gradient）問題は深層ネットワークのバックプロパゲーションにおける代表的な学習困難であり、残差接続（Residual Connection）・バッチ正規化（Batch Normalization）・適切な活性化関数選択（ReLU）がこれを解決する手法として開発された。

試験での位置づけ

バックプロパゲーションはITパスポートのテクノロジー系「AI分野」で出題頻度が増加しているトピック。生成AI・LLMの普及を背景に、ニューラルネットワークの学習メカニズムの理解が社会的に重要度を増している。本問の識別ポイントは「重みを調整する（学習パラメータの更新）」vs「ノード数を変更する（アーキテクチャ変更）」vs「活性化関数を選択する（ハイパーパラメータ選択）」の区別。近年のITパスポート試験ではLLM・画像生成AI・強化学習等の応用事例を絡めたAI問題が増加しており、2025〜2026年のシラバス改訂でAI分野の出題比率がさらに増加することが予想される。基本情報技術者試験では損失関数の種類・勾配降下法の変形（Mini-Batch SGD・Adam等）・過学習対策（ドロップアウト・正則化・データ拡張）・転移学習・ファインチューニングの仕組みまで問われることがある。

選択肢の発展補足

選択肢bの「最適な活性化関数を選択する」というプロセスは実際にはハイパーパラメータ探索（Hyperparameter Optimization：HPO）またはNeural Architecture Search（NAS）の領域であり、バックプロパゲーションとは異なる。代表的な活性化関数：シグモイド関数（0〜1の出力・勾配消失問題あり）・ReLU（Rectified Linear Unit：x>0でそのまま出力・x≤0で0・現代の主流）・GELU（Gaussian Error Linear Unit：BERT等のTransformerで使用）・Swish（Google Brain提案・EfficientNetで使用）。選択肢cとdの「ノード数変更」が処理速度改善に使われるという主張について補足すると、実際にはモデル圧縮（Pruning：不要なニューロンの削除・Quantization：精度を下げてメモリ削減）という手法でノード数相当の削減を行うことがある。これはNASやモデル圧縮の技術であり、学習時のバックプロパゲーションとは別のアプローチ。バックプロパゲーション＝学習時の重み更新、という関係を明確にしておくことが試験での正確な識別に繋がる。