最終更新日:2026年10月19日
gk neural_network rnn
まず結論
JordanとElmanを見分けるときは、次時刻へ戻る矢印がどこから出ているかを確認します。
| 帰還の出発点 | モデル | 次へ渡す場所 |
|---|---|---|
| 出力側(output) | Jordan | State Unit |
| 隠れ層(hidden) | Elman | Context Unit |
このページは、構造図や説明文から2つを判別するための比較です。時刻ごとの処理はJordanの状態更新・ElmanのContext更新で追えます。
直感的な説明
「前回の出力を手掛かりにする」のがJordan、「前回の内部表現を手掛かりにする」のがElmanです。どちらにも記憶があるという共通点だけでは見分けられません。
定義・仕組み
| 比較する点 | Jordan | Elman |
|---|---|---|
| 主に戻す情報 | 出力側の情報 | 隠れ層の活性 |
| 状態の作り方 | 前出力と前状態の影響を受ける | 前隠れ層をContextへコピー |
| 外部入力との関係 | Stateを次の処理に使う | Contextを次の隠れ層計算に使う |
| 図で探す箇所 | 出力からStateへの帰還 | 隠れ層からContextへのコピー |
StateやContextという名前だけを探すのではなく、何がそこへ入ってくるかを追います。Jordanを「出力をそのまま外部入力へ戻すだけ」と省略すると、状態ユニットを介する点が抜け落ちます。
いつ使う?(得意・不得意)
この比較は、初期RNNの構造を説明文や矢印から判別するときに使います。用途名だけでどちらのモデルかを決めたり、性能の優劣を付けたりするための表ではありません。
長期依存への工夫まで確認したい場合は、LSTMへ進めます。Jordan・ElmanをそのままLSTMやGRUの別名とは考えません。
G検定ひっかけポイント
| 説明 | 判断 |
|---|---|
| 隠れ層をContextへ1対1にコピーする | Elman |
| 出力側をStateへ戻す | Jordan |
| 過去の情報を次時刻に使う | 両者に共通。これだけでは判別できない |
| Contextという名前がある | 名称だけでなく、帰還元がhiddenかを確認する |
まとめ(試験直前用)
- output → State:Jordan
- hidden → Context:Elman
- 記憶の有無ではなく、記憶へ戻す情報で判別する
- 更新の時間順序は各モデルの個別解説で確認する
参考資料(原典)
- Jordan, M. I. (1986), Serial Order: A Parallel Distributed Processing Approach
- Elman, J. L. (1990), Finding Structure in Time
次に読むなら
2つのフィードバック元を見分けたら、それぞれの単独記事とRNN全体へ進みます。
- エルマンネットワークとは?:隠れ層の状態を再利用する構造を詳しく確認する
- ジョルダンネットワークとは?:出力を次時刻へ戻す構造を詳しく確認する
- RNN(再帰型ニューラルネットワーク):両者が属する再帰型ネットワークの基本を整理する
🔗 関連記事
- A2C / A3C とは?(Actor–Critic の実装差)【G検定対策】
- 活性化関数の微分とは?勾配消失との関係【G検定対策】
- 活性化関数とは?ReLU・Sigmoid・tanh・Softmaxを切り分け【G検定】
- Actor–Critic とは?(オン/オフポリシーの位置づけ)【G検定対策】
- AdaBoundとは?動的な学習率境界を使う最適化手法【G検定】
🏠 G検トップに戻る