最終更新日：2026年6月27日
gk neural_network rnn gru
G検定トップ
＞ GRU（Gated Recurrent Unit）
まず結論
- GRUはLSTMを簡略化したRNNの一種
- ゲート数を減らして 構造をシンプルに した
- 勾配消失を緩和 しつつ、計算効率が良い
直感的な説明
GRUは、
「LSTMほど細かく制御しなくても、十分うまく覚えられる」
という発想で作られたモデルです。
- 覚えるか、忘れるか
- どれくらい反映するか
を 少ないゲート で判断します。
定義・仕組み
GRUの基本構造
GRUには次の 2つのゲート があります。
- 更新ゲート（Update Gate）
- リセットゲート（Reset Gate）
※ LSTMの「セル状態」は明示的に持ちません。
各ゲートの役割
更新ゲート
- 過去の情報をどれだけ残すか決める
- 新しい情報をどれだけ取り入れるか調整
リセットゲート
- 過去の情報をどれだけ無視するか決める
- 短期的な依存関係を扱いやすくする
更新ゲートは、以前の隠れ状態をどれだけ維持し、新しい候補状態をどれだけ反映するかを調整します。リセットゲートは、新しい候補状態を計算するときに、過去情報をどの程度参照するかを調整します。
ゲートを通る加算的な情報経路があるため、単純RNNよりも勾配が長い時間方向へ伝わりやすくなります。ただし、勾配消失が完全になくなるわけではありません。
LSTMとの違い
| 項目 | LSTM | GRU |
|---|---|---|
| ゲート数 | 3 | 2 |
| セル状態 | あり | なし |
| 構造 | 複雑 | シンプル |
| パラメータ数 | 多い傾向 | 少ない傾向 |
| 長期記憶 | セル状態で管理 | 隠れ状態に統合 |
いつ使う？（得意・不得意）
得意なこと
- 時系列・系列データ
- モデルを軽量にしたい場合
注意点
- GRUとLSTMのどちらが高精度かは、データやタスクによって異なる
- GRUは軽量な傾向があるが、常に高速・高精度とは限らない
- Transformerと異なり、時刻順の依存があるため並列化しにくい
G検定ひっかけポイント
- ❌「GRUはLSTMよりゲートが多い」→ 誤り
- ❌「GRUはセル状態を持つ」→ 誤り
- ✅ GRUは ゲート2つ
- ✅ LSTMより構造がシンプル
- ❌「GRUは常にLSTMより性能が低い」→ 一律には決まらない
- ❌「GRUは勾配消失を完全に解決する」→ 緩和する手法
まとめ（試験直前用）
- GRUは 軽量なLSTM
- ゲート数は2つ
- 勾配消失を緩和
👉 これで RNN系ブロックは完成 です。