Skip to the content.

最終更新日:2026年10月19日

まず結論

Jordan Networkは、出力側の情報をState Unitへ戻し、その状態を次時刻の隠れ層計算に利用する初期RNNです。

ここでは、出力履歴がStateを介して次の処理へ伝わる流れを追います。隠れ層を戻すElmanとの判別は、JordanとElmanの比較を使ってください。

直感的な説明

系列を出力するとき、直前に何を出したかが次の判断に関係することがあります。Jordanは、出力側からStateへ戻る経路で、その履歴を保持します。

単に「出力値を外部入力の欄へ入れ直す」処理と考えず、出力を記憶する状態ユニットがある点を押さえます。

定義・仕組み

原典のStateは、前時刻の出力とState自身の前状態の影響を受けます。

処理 戻ってくる出力側の情報 併せて使う状態 結果
時刻1に向けた更新 直前の出力y₀ 前状態s₀ 次に使う状態s₁
時刻2に向けた更新 時刻1の出力y₁ 前状態s₁ 次に使う状態s₂
時刻3に向けた更新 時刻2の出力y₂ 前状態s₂ 次に使う状態s₃

ここでの添字は処理順を示すための表記です。y₀・s₀は開始時の値として扱います。

新しい状態は、その時刻の外部入力とともに隠れ層の計算へ使われ、出力につながります。出力→State→次の処理と一周する経路を追うと、出力と状態を取り違えにくくなります。

いつ使う?(得意・不得意)

過去の出力を系列の文脈として使う初期RNNの構造を理解するためのモデルです。ゲート構造を持つLSTMやGRUと同一のモデルではありません。

G検定ひっかけポイント

  • output側 → stateという帰還元を見るのがJordanの判断基準です。
  • Stateは前出力だけの単純な置き場とは限らず、前状態の影響も受けます。
  • 隠れ層の活性をContextへコピーする構造はElman Networkです。
  • 出力を戻すという説明だけから、長期記憶のゲートを持つとは判断しません。

まとめ(試験直前用)

  • Jordanは出力側の情報をStateへ戻す
  • Stateは前出力と前状態の影響を受ける
  • その状態を次の隠れ層計算へ利用する
  • 出力を外部入力へ入れ直すだけの処理と混同しない

参考資料

© 2024-2026 stemtazoo. All rights reserved.