---
title: "インスタンス正規化（Instance Normalization）とは？G検定対策"
description: "インスタンス正規化について、G検定で問われるAI・機械学習分野の観点から、基本的な意味、代表モデル・手法との関係、試験で問われやすい判断軸を整理します。暗記だけでなく、似た概念との混同を避ける見分け方や、選択肢を切るためのポイントも確認します。"
canonical_url: "https://stemtazoo.github.io/gk/instance-normalization/"
section: "gk"
---

## まず結論

* **インスタンス正規化（Instance Normalization）**とは、**各サンプル（画像）ごとに、チャネル単位で正規化**を行う手法です。
* G検定では「**どの単位で統計量を計算するか**」「**バッチサイズに依存するか**」が問われます。

## 直感的な説明

* インスタンス正規化は「**1枚の画像だけを見て、その画像の明るさやコントラストを整える**」イメージです。
* 他の画像（バッチ内の別サンプル）の影響を受けないため、

  * 1枚ずつ処理する場合
  * バッチサイズが小さい場合
    に向いています。

## 定義・仕組み

* インスタンス正規化では、

  * **サンプルごと**
  * **チャネルごと**
    に平均と分散を計算し、正規化します。
* 数式的には、Batch Normalization と似ていますが、

  * **バッチ方向の平均・分散を使わない**
    点が大きな違いです。

## いつ使う？（得意・不得意）

### 得意な場面

* 画像認識・画像生成
* スタイル変換（Style Transfer）
* バッチサイズが1に近い学習

### 不得意・注意点

* バッチ全体の統計量を活かしたい場合
* 時系列やNLPでは一般的ではない

## G検定ひっかけポイント

* **最大のひっかけ**

  * 「特徴間の相関を除去する」→ ❌（それは無相関化／白色化）
* よくある混同

  * **Batch Normalization**：バッチ全体・チャネルごと
  * **Layer Normalization**：サンプルごと・全特徴
  * **Instance Normalization**：サンプルごと・チャネルごと
* 選択肢で

  * 「バッチサイズに依存しない」→ ⭕
  * 「画像認識で使用される」→ ⭕

## まとめ（試験直前用）

* インスタンス正規化はサンプル単位
* チャネルごとに正規化
* バッチサイズに依存しない
* 画像処理でよく使われる
*