はじめに

G検定を受験する際に、多くの受験者がつまずきやすいのが「ディープラーニングに関する用語の正確な理解」だ。
特に、目的関数の最適化に関連するアルゴリズムに関しては、類似した単語が多く登場し、混同しやすい。

今回は、G検定の過去問から「最適化手法として不適切なものを選ぶ問題」を取り上げ、正答の根拠と誤答の理由を整理していく。

Contents

問題：ディープラーニングにおける最適化手法として不適切な選択肢はどれか？

ディープラーニングでは目的関数を最適化することが求められるが、最適化手法として、最も不適切な選択肢を選べ。

正解は「3. k-means」

k-means（k平均法）は、クラスタリングと呼ばれる教師なし学習の手法だ。
主に、データを「似たもの同士のグループ」に分けるために使われる。

つまり、k-meansは「ラベルなしデータの分類」に特化しており、ニューラルネットワークの重みを更新する目的関数の最適化には使用されない。
この点が、他の選択肢とは根本的に異なる。

他の3つの選択肢（AdaDelta、RMSprop、SGD）は、いずれもディープラーニングの目的関数を最小化するための最適化アルゴリズムとして使用される。
それぞれの特徴を簡単に整理しておこう。

手法名	特徴
SGD（確率的勾配降下法）	最も基本的な最適化手法。ミニバッチ単位で勾配を計算し、パラメータを更新する。シンプルだがノイズに弱い。
RMSprop	学習率を適応的に調整する。学習の収束を安定させるのに有効。リカレントニューラルネットワーク（RNN）でも使われる。
AdaDelta	RMSpropを改良した手法。学習率を明示的に指定しなくてよいため、ハイパーパラメータ調整の手間を軽減できる。

このように、これら3つはすべて「目的関数を最小化するための手法」という共通点がある。

以下に、各選択肢の用途と最適化との関係を表にまとめた。

選択肢	分類	用途	最適化手法か？
AdaDelta	最適化手法	ニューラルネットワークの学習	✅
RMSprop	最適化手法	ニューラルネットワークの学習	✅
SGD	最適化手法	ニューラルネットワークの学習	✅
k-means	クラスタリング手法	教師なし学習でのグループ化	❌

この表を見ると、「k-meansだけが最適化とは無関係」であることが一目瞭然だ。

この問題は、「分類」や「最適化」といった基本的な用語の意味が曖昧なままだと誤答しやすい。
G検定では、「何が何のために使われるのか」をしっかり理解しておくことが重要だ。

分類	説明	代表的な手法
最適化手法	損失関数（目的関数）を最小化するためのアルゴリズム	SGD、Adam、RMSprop、AdaDelta など
教師なし学習	ラベルなしのデータから構造やパターンを見つける学習手法	k-means、主成分分析（PCA）など

今回のような「一見それっぽく見えるが、実は全く別カテゴリ」という選択肢は、G検定では頻出パターンだ。

このようなワードほど、役割の違いを把握しておくことが得点源になる。

今回のG検定過去問では、「目的関数の最適化手法として不適切なもの」を見抜く力が問われた。
正解は「k-means」。なぜなら、これは教師なし学習のクラスタリング手法であり、最適化とは無関係だからだ。

✅ 最適化手法に分類されるもの：SGD、RMSprop、AdaDelta
❌ 最適化手法に該当しない：k-means（クラスタリングアルゴリズム）

こうした基本概念の理解は、G検定合格だけでなく、実務でAI開発を行う際にも必ず役立つ。
過去問をただ暗記するのではなく、「なぜその選択肢が正しいのか、なぜ間違っているのか」まで踏み込んで復習することが、合格への最短ルートとなる。