ニューラルネットワークの基本形であり、ディープラーニングの出発点でもあるのが多層パーセプトロン(MLP)です。この記事では、なぜ層を重ねると難しい問題が解けるようになるのかを、初心者の方にも順を追ってわかるように解説します。
📖 ひと言でいうと
多層パーセプトロンとは、入力層と出力層の間に1つ以上の隠れ層(中間層)を挟んだニューラルネットワークのことです。英語の Multilayer Perceptron を略して MLP とも呼ばれます。
例えるなら、単純パーセプトロンが「1人の担当者がその場で即決する窓口」だとすると、多層パーセプトロンは「複数の部署を順番に通して判断する組織」のようなものです。途中の部署(隠れ層)がそれぞれ情報を加工してから次へ渡すため、1人では判断しきれない複雑な案件も扱えるようになります。厳密には、隠れ層が入力の特徴を段階的に変換し、より複雑な境界線で分類できるようになる、ということです。
🖼 1枚でわかる多層パーセプトロン
📘 公式テキストの説明
多層パーセプトロン（MLP）は、ニューラルネットワークの一種であり、AIや機械学習の基本的な構造の一つ。隠れ層を複数挿入した構造で、ディープラーニングの基礎でもある。この隠れ層により、多層パーセプトロンは非線形の問題にも対応し、複雑なデータパターンを学習する能力を持つ。学習の際には誤差逆伝播法が使われ、出力と目標値の誤差を最小化するように各重みが調整されるため、予測精度が向上する。画像認識や音声処理などの複雑なタスクにおいても、多層パーセプトロンの構造は優れた性能を発揮する。
ポイントは3つに整理できます。「隠れ層がある」「だから非線形の問題に対応できる」「学習には誤差逆伝播法を使う」です。この3点セットは選択肢問題でそのまま問われやすいので、公式説明の骨格として押さえておきましょう。
なお「非線形の問題」とは、データを1本の直線(高次元では平面)では正しく分類できない問題のことです。現実のデータのほとんどはこちらに該当するため、非線形に対応できるかどうかは実用上の大きな分かれ目になります。
🔍 しっかり理解する
出発点は単純パーセプトロンの限界
多層パーセプトロンを理解するには、まず前身である単純パーセプトロンの弱点を知るのが近道です。単純パーセプトロンは入力層と出力層だけの構造で、入力の重み付き合計が閾値を超えるかどうかで0か1を出力します。この仕組みで引けるのは「1本の直線による境界線」だけなので、線形分離可能な問題しか解けません。
有名な例がXOR(排他的論理和)です。「2つの入力のどちらか一方だけが1のとき1を出す」という単純なルールですら、1本の直線では正解グループを分けられず、単純パーセプトロンには解けません。この限界を乗り越えるために考え出されたのが、入力層と出力層の間に隠れ層を挟む多層パーセプトロンです。
隠れ層はなぜ非線形問題を解けるのか
多層パーセプトロンでは、各層のニューロンが次の層のすべてのニューロンとつながっています(全結合)。隠れ層の各ニューロンは、入力の重み付き合計に活性化関数という非線形の変換をかけてから次の層へ渡します。
イメージとしては、隠れ層の各ニューロンがそれぞれ「別の角度から引いた境界線」を担当し、出力層がそれらを組み合わせて最終判断を下す、という分業です。直線を何本も組み合わせれば曲がった境界線が作れるように、層を経るごとに表現できるパターンが豊かになります。ここで活性化関数の非線形変換が必須である点に注意してください。もし各層が線形変換だけなら、何層重ねても結局1本の直線と同じ表現力にしかなりません。
誤差逆伝播法で重みを学習する
多層パーセプトロンの学習では、誤差逆伝播法(バックプロパゲーション)が使われます。流れは次の通りです。
このサイクルを大量のデータで繰り返すことで、各重みが少しずつ「正解を出しやすい値」に調整され、予測精度が向上していきます。隠れ層をさらに深く重ねたものがディープニューラルネットワークであり、多層パーセプトロンはまさにディープラーニングの基礎にあたります。ただし層を深くすると、逆伝播の途中で勾配が小さくなりすぎる勾配消失問題という別の課題が現れます。これは同じ章の重要キーワードなので、あわせて学習しておくとよいでしょう。
💡 具体例で考える
多層パーセプトロンの定番の応用例が、手書き数字の認識です。縦横28×28ピクセルの画像なら、各ピクセルの明るさを並べた784個の数値が入力層に入ります。隠れ層はこの784個の値から「縦の線がある」「上部に丸みがある」といった特徴的なパターンへ段階的に変換し、出力層は0〜9に対応する10個のニューロンで「どの数字らしいか」を出力します。
手書き文字は人によって形が大きく違うため、単純な直線的ルールでは分類できません。隠れ層による非線形変換があるからこそ、崩れた字でも柔軟に読み取れるのです。郵便番号の自動読み取りのような実務は、この仕組みの古くからの応用先として知られています。
⚠️ よくある誤解・紛らわしい用語
- 「多層パーセプトロン=ディープラーニング」ではない — 隠れ層が1つでも多層パーセプトロンです。隠れ層を深く(多層に)重ねたニューラルネットワークを使う手法がディープラーニングで、MLPはその基礎・土台という関係です。
- 単純パーセプトロンとの違い — 隠れ層の有無が決定的な違いです。単純パーセプトロンは線形分離可能な問題のみ、多層パーセプトロンは非線形問題にも対応できます。
- CNN(畳み込みニューラルネットワーク)との違い — 多層パーセプトロンは各層が次の層と全結合なのに対し、CNNは畳み込み層で画像の局所的な特徴を効率的に抽出します。どちらも多層構造ですが、層のつなぎ方が異なります。
- 名前は「パーセプトロン」でも中身は進化している — 学習に誤差逆伝播法を使うため、実際には微分可能な活性化関数(シグモイド関数やReLU関数など)が用いられます。
📝 試験でのポイント
- 「隠れ層により非線形問題に対応」「学習は誤差逆伝播法」という2点の組み合わせで定義を問う問題が想定されます。
- 単純パーセプトロンとの対比は頻出の切り口です。「隠れ層の有無」「線形分離可能な問題に限られるか」で判別できるようにしておきましょう。
- 「多層パーセプトロンは線形分離可能な問題しか解けない」という誤り選択肢に注意してください。これは単純パーセプトロンの説明です。
- ディープラーニングとの関係を問う形式では、「MLPの隠れ層を深くしたものがディープニューラルネットワーク」という位置づけを選べれば正解できます。
📚 まとめ
多層パーセプトロン(MLP)は、入力層と出力層の間に隠れ層を挟んだニューラルネットワークです。隠れ層の非線形変換により、単純パーセプトロンでは解けなかった「直線で分けられない問題」を扱えるようになりました。学習には誤差逆伝播法が使われ、誤差を最小化するように重みが調整されます。この構造を深く発展させたものがディープラーニングであり、MLPはその原点として試験でも重要なキーワードです。
