LSTM（長短期記憶）は重要ポイントを整理して理解するための用語です。この記事では仕組み・役割・使いどころを押さえ、G検定で問われる判断ポイントとひっかけポイントを解説します。

gk neural_network rnn lstm

G検定トップ ＞ LSTM（長短期記憶）

まず結論

  • LSTMは長期依存関係を学習できるRNNの改良モデル
  • ゲート機構 により、情報を「覚える・忘れる」を制御
  • 勾配消失問題を緩和 するために設計された

直感的な説明

LSTMは、

「覚えておく情報」と「忘れていい情報」を自分で選べるRNN

です。

普通のRNNは、

  • 重要でない情報もずっと引きずる
  • 重要な情報を途中で失う

という問題がありました。

LSTMでは ゲート によって、

  • 必要な情報だけを長く保持
  • 不要な情報は適切に捨てる

ことができます。

定義・仕組み

LSTMの基本構造

LSTMには次の3つのゲートがあります。

  1. 忘却ゲート（Forget Gate）
  2. 入力ゲート（Input Gate）
  3. 出力ゲート（Output Gate）

さらに、

  • セル状態（Cell State） が 長期記憶を担います。

各ゲートの役割

忘却ゲート

  • 過去の情報をどれだけ残すか決める
  • 不要な情報を忘れる

入力ゲート

  • 新しい情報をどれだけ記憶するか決める

出力ゲート

  • 現在の状態をどれだけ出力に反映するか決める

なぜ勾配消失が起きにくい？

  • セル状態がほぼ 線形に情報を伝達
  • 勾配が途中で消えにくい

これにより、 長期依存関係の学習 が可能になります。

いつ使う？（得意・不得意）

得意なこと

  • 長い文章の理解
  • 時系列データの予測
  • 文脈が重要なタスク

注意点

  • 構造が複雑
  • 計算量が大きい

G検定ひっかけポイント

  • ❌「LSTMは勾配爆発を完全に防ぐ」→ 誤り
  • ❌「LSTMにはゲートが1つだけ」→ 誤り
  • ✅ ゲートは 3種類
  • ✅ セル状態が長期記憶

まとめ（試験直前用）

  • LSTMは 長期依存対応RNN
  • ゲートで記憶を制御
  • 勾配消失を緩和

👉 次は GRU（Gated Recurrent Unit） を見ていきます。

🔗 関連記事

🏠 G検トップに戻る