【G検定】不変性の獲得とは？プーリングが位置ずれに強い理由をわかりやすく解説

猫が画像の少し左に写っていても、少し右に写っていても「猫」と答えてほしい──この当たり前の要求を支えているのが、プーリング層による「不変性の獲得」です。仕組みの中身と限界までを丁寧に見ていきます。

📖 ひと言でいうと

不変性の獲得とは、プーリング操作が局所領域から代表値(最大値や平均値)を抽出することで、入力の位置が多少ずれても出力がほぼ変わらなくなる性質を手に入れることです。CNNが位置ずれに強い理由のひとつです。

例えるなら、住所を「番地まで」ではなく「町名まで」で記録するようなものです。引っ越しが同じ町内なら記録は変わりません。プーリングも「どの画素か」を「どの領域か」に丸めるため、領域内での移動は出力に影響しなくなります。厳密には、完全に何のずれにも動じないわけではなく「微小な位置の変動に対する頑健性」を指す点に注意してください。

🖼 1枚でわかる不変性の獲得

📘 公式テキストの説明

プーリング操作は、入力データの局所的な領域から代表的な値を抽出することで、位置の変動に対する不変性を獲得する。例えば、画像認識において、物体が画像内で多少位置を変えても、プーリング層を通じてその特徴を安定して捉えることができる。このように、プーリング層は畳み込みニューラルネットワーク（CNN）において、位置ずれに対して強い特性を持ち、モデルの汎化性能を向上させる重要な要素となっている。

かみ砕くと、「代表値を抽出する」という操作そのものが不変性の源だ、ということです。2×2の領域から最大値を1つ選ぶとき、その最大値が領域の左上にあっても右下にあっても、選ばれる値は同じです。つまり「領域内のどこか」という粗い情報に丸められた時点で、細かい位置の違いは出力に現れなくなります。

これが層を重ねるごとに積み重なると、「画像のだいたいこのあたりに猫の耳の特徴がある」という要約になり、被写体が数ピクセル動いた程度では判定が揺らがないネットワークになります。学習時に見た画像と少し違う配置の画像にも対応できる、つまり汎化性能の向上につながるわけです。

🔍 しっかり理解する

ずれが吸収される様子をステップで追う

具体的な数字で確かめます。特徴マップのある2×2領域が{0, 9, 1, 2}だったとして、強い反応「9」が隣の画素にずれて{9, 0, 2, 1}になっても、最大値プーリングの出力はどちらも9です。畳み込み層までは律儀に「ずれた位置」を反映しますが、プーリングが領域単位に丸めた瞬間、そのずれは出力から消えます。

「等変性」と「不変性」を区別する

理解を一段深めるための対比です。畳み込み層は、入力がずれると出力(特徴マップ)も同じ分だけずれる性質を持ちます。これは「ずれがそのまま伝わる」性質で、等変性と呼ばれます。一方プーリングは「ずれても出力が変わらない」不変性をもたらします。CNNは「畳み込みでどこにあっても特徴を検出し(等変)、プーリングで細かい位置を忘れる(不変)」という分業で、位置に頑健な認識を実現しているのです。

不変性は万能ではない

プーリング1回で吸収できるのは、あくまで領域サイズ(2×2など)の範囲内の微小なずれです。物体が画像の端から端へ大きく移動する、回転する、大きさが2倍になる、といった変化まで自動で吸収されるわけではありません。実務でCNNを回転や拡大縮小に強くしたい場合は、学習データを回転・拡大縮小して水増しするデータ拡張(Data Augmentation)を併用するのが一般的です。「プーリングの不変性=微小な平行移動への頑健性」と正確に押さえておくと、選択肢の言い過ぎ表現を見抜けます。

💡 具体例で考える

郵便番号の手書き数字認識を考えます。はがきの枠に書かれた「5」は、書く人によって枠の中央だったり少し右上に寄っていたりしますが、意味は同じ「5」です。プーリングを持つCNNなら、畳み込みが検出した「5」特有の横棒やカーブの反応が多少ずれていても、プーリングを通るたびに「この領域に横棒がある」という粗い表現に丸められるため、同じ数字として安定に認識できます。逆にプーリングのような仕組みが一切ないと、学習時に見た位置とわずかに違うだけで別の入力パターンに見えてしまい、あらゆる位置ずれパターンを学習データで網羅しなければならなくなります。不変性の獲得は、この無駄を構造で解決するアイデアだと言えます。

⚠️ よくある誤解・紛らわしい用語

📝 試験でのポイント

📚 まとめ