---
title: "LSTMはなぜ非定常データを扱えるのか？【G検定対策】"
description: "LSTMはなぜ非定常データを扱えるのかについて、G検定で問われる自然言語処理・系列データ分野の観点から、系列データを扱う仕組み、学習目的、代表モデルとの関係を整理します。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/lstm-nonstationary/"
section: "gk"
---

## まず結論
- **LSTMは、時系列データが非定常であっても学習・予測が可能なモデル**である。
- G検定では **「定常性を仮定するモデルとの違い」** がよく問われる。

## 直感的な説明
- ARIMA系：
  👉「過去と未来は同じ性質である」と仮定して予測
- LSTM：
  👉「過去の流れを見ながら、必要な情報だけを覚えたり忘れたりする」

つまり  
**統計的な仮定に頼るか／データからパターンを学ぶか**  
の違い。

## 定義・仕組み
### なぜARIMAは定常性が必要か
- ARIMAは
  - 過去の値
  - 過去の誤差  
  の**線形関係**を仮定するモデル
- 平均・分散が時間で変わると  
  「過去の関係が未来に通用しない」
- そのため **差分で定常化** が必要

### なぜLSTMは非定常でも扱えるか
- LSTMは
  - 入力ゲート
  - 忘却ゲート
  - 出力ゲート  
  を持つ **非線形モデル**
- トレンド・季節性・急変などを
  **内部状態として柔軟に表現・更新**できる
- 明示的に「定常性」を仮定しない

👉 **LSTMは仮定ではなく学習で対応する**。

## いつ使う？（得意・不得意）
**LSTMが向く**
- トレンドが変化するデータ
- 季節性が複雑な時系列
- 非線形なパターン
- 長期依存関係

**ARIMAが向く**
- 単純な時系列
- 解釈性が重要
- データ量が少ない場合

## G検定ひっかけポイント
- ❌「LSTMは定常性を満たす必要がある」
- ❌「差分しないとLSTMは使えない」
- ❌「LSTMは統計モデルである」

👉 **LSTMは深層学習モデル**  
👉 **定常性は前提条件ではない**

### 判断基準
- 「定常性を仮定」 → ARIMA系
- 「非線形・ゲート構造」 → LSTM
- 「差分が必須」 → ARIMA

## まとめ（試験直前用）
- 定常性は統計モデルの前提
- ARIMAは差分で対応
- LSTMは非線形モデル
- 仮定ではなく学習で対応
- 非定常データでも扱える