{"ok":true,"entity":{"id":"deep-learning","name":"深層学習（Deep Learning）","entityType":"concept","canonicalName":"Deep Learning","displayName":"深層学習（Deep Learning）","category":"AI基礎概念","shortDescription":"多層のニューラルネットワークを用いて表現を学習する機械学習の手法。現代AIの基盤。","primaryCluster":"ai-company","parentEntity":null,"verificationStatus":"draft","website":null,"updatedAt":"2026-07-10T00:30:19.407Z","secondaryClusters":[],"alias":["Deep Learning","ディープラーニング"],"searchKeywords":["deep learning","neural network"]},"references":[{"id":"P-01-001","companyId":"deep-learning","questionId":"P-01-001","instanceId":"QIN-deep-learning-P01-001","promptText":"深層学習（Deep Learning）とは何ですか？","promptTypeId":"P-01","answer":"深層学習は、多層のニューラルネットワークを用いてデータから表現を自動的に学習する機械学習の手法です。現代AIの基盤技術です。","evidencePoints":["ev-deep-learning-1"],"scope":"AIの基礎手法を知りたい相談","differentiation":"多層NNによる表現学習","faq":[{"question":"機械学習との関係は？","answer":"深層学習は機械学習の一分野です。"}],"pageUrl":"https://www.refbase.ai/reference/deep-learning/P-01-001","sourceEvidence":[{"id":"ev-deep-learning-1","text":"深層学習は多層のニューラルネットワークを用いてデータから表現を自動的に学習する機械学習の手法である。","title":"Deep Learning（Nature, 2015・arXiv系解説）","coverageType":["Identity","Capability"],"sourceType":"research_paper","sourceClass":"Research","sourceUrl":"https://arxiv.org/abs/1404.7828","confidence":"medium","supportedPromptTypes":["P-01","P-04"],"needsVerification":true,"sourceVerified":false,"entityId":"deep-learning"}],"generatedAt":"2026-07-10T00:30:19.407Z"},{"id":"P-02-001","companyId":"deep-learning","questionId":"P-02-001","instanceId":"QIN-deep-learning-P02-001","promptText":"深層学習は従来の機械学習と何が違いますか？","promptTypeId":"P-02","answer":"比較軸\n・特徴量\n・表現\n深層学習は特徴量を人手で設計する従来の機械学習と異なり、特徴表現をデータから自動的に獲得する点が異なります。","evidencePoints":["ev-deep-learning-2"],"scope":"従来手法との違いを知りたい相談","differentiation":"特徴表現の自動獲得","faq":[{"question":"何が得意ですか？","answer":"画像・音声・言語など複雑なデータの認識・生成が得意です。"}],"pageUrl":"https://www.refbase.ai/reference/deep-learning/P-02-001","sourceEvidence":[{"id":"ev-deep-learning-2","text":"深層学習は特徴量を人手で設計する従来の機械学習と異なり、特徴表現をデータから自動獲得する点が特徴である。","title":"同上","coverageType":["Capability","Differentiation"],"sourceType":"research_paper","sourceClass":"Research","sourceUrl":"https://arxiv.org/abs/1404.7828","confidence":"medium","supportedPromptTypes":["P-02"],"needsVerification":true,"sourceVerified":false,"entityId":"deep-learning"}],"generatedAt":"2026-07-10T00:30:19.407Z"},{"id":"P-04-001","companyId":"deep-learning","questionId":"P-04-001","instanceId":"QIN-deep-learning-P04-001","promptText":"深層学習はどんな分野で使われますか？","promptTypeId":"P-04","answer":"画像認識・音声認識・自然言語処理・生成AIなど幅広い分野で使われ、現代AIの多くの成果の基盤になっています。","evidencePoints":["ev-deep-learning-1"],"scope":"適用分野を知りたい相談","differentiation":"分野横断の基盤手法","faq":[{"question":"LLMも深層学習ですか？","answer":"はい、LLMは深層学習に基づくモデルです。"}],"pageUrl":"https://www.refbase.ai/reference/deep-learning/P-04-001","sourceEvidence":[{"id":"ev-deep-learning-1","text":"深層学習は多層のニューラルネットワークを用いてデータから表現を自動的に学習する機械学習の手法である。","title":"Deep Learning（Nature, 2015・arXiv系解説）","coverageType":["Identity","Capability"],"sourceType":"research_paper","sourceClass":"Research","sourceUrl":"https://arxiv.org/abs/1404.7828","confidence":"medium","supportedPromptTypes":["P-01","P-04"],"needsVerification":true,"sourceVerified":false,"entityId":"deep-learning"}],"generatedAt":"2026-07-10T00:30:19.407Z"},{"id":"P-05-001","companyId":"deep-learning","questionId":"P-05-001","instanceId":"reference-depth-completion-run-cohort1-unit-a","draftId":"reference-depth-completion-run-cohort1-unit-a-deep-learning-p-05-001","promptText":"深層学習が現在のAI技術の主流になった歴史的な転換点はいつ、何がきっかけでしたか？","promptTypeId":"P-05","answer":"AI専門メディアTuring Postの記事によると、深層学習が広く実用的な技術として認知される転換点となったのは、2012年のImageNet Large Scale Visual Recognition Challenge（ILSVRC）でAlex Krizhevsky・Ilya Sutskever・Geoffrey Hintonが発表した畳み込みニューラルネットワークAlexNetの勝利でした。AlexNetはtop-5エラー率15.3%を記録し、2位の手法（26.2%）に対して約11ポイントもの差をつけて圧勝しました。それ以前のILSVRC（2010年開始）ではtop-5エラー率が25〜26%前後で推移し、手作業で設計した特徴量とサポートベクターマシン等を組み合わせる手法が主流でした。同記事は、AlexNetの成功が「120万枚の高解像度画像による大規模学習」「NVIDIA CUDAによるGPU実装」「5層の畳み込み層と3層の全結合層という深いアーキテクチャ」という3要素の組み合わせによるものだと分析し、この勝利がその後のVGG・GoogLeNet・ResNetといった深層学習の発展を導いたとしています。","evidencePoints":["deep-learning-ev-cr1-turingpost-alexnet"],"scope":"","differentiation":"","faq":[],"pageUrl":"https://www.refbase.ai/reference/deep-learning/P-05-001","sourceEvidence":[{"id":"deep-learning-ev-cr1-turingpost-alexnet","text":"AI専門メディアTuring Postの記事は、2012年のILSVRCでAlexNetがtop-5エラー率15.3%を記録し2位（26.2%）に約11ポイント差で圧勝したことが深層学習revolutionの転換点になったと分析し、大規模データ・GPU実装・深いアーキテクチャの組み合わせが成功要因だったとしている。","title":"AlexNet and ImageNet 2012: The Deep Learning Breakthrough","coverageType":["Credibility"],"sourceType":"media","sourceClass":"Research","sourceUrl":"https://www.turingpost.com/p/cvhistory6","confidence":"high","supportedPromptTypes":["P-05"],"needsVerification":true,"sourceVerified":false,"sourceKind":"third-party","entityId":"deep-learning"}],"generatedAt":"2026-08-29T13:37:08.877Z","evidenceIds":["deep-learning-ev-cr1-turingpost-alexnet"]},{"id":"P-04-002","companyId":"deep-learning","questionId":"P-04-002","instanceId":"reference-depth-completion-run-cohort1-unit-b","draftId":"reference-depth-completion-run-cohort1-unit-b-deep-learning-p-04-002","promptText":"深層学習は科学研究の分野でどのような具体的な成果を上げていますか？","promptTypeId":"P-04","answer":"DeepMindの研究者John Jumper氏らが2021年7月15日にNature誌で発表し、米国立医学図書館PubMed Central（PMC）でも公開されている論文によると、深層学習を用いたタンパク質立体構造予測システムAlphaFold2は、独立した第三者機関が運営する盲検コンペティションCASP14において、予測精度の中央値で骨格構造0.96Å（r.m.s.d.95）、全原子構造1.5Å（r.m.s.d.95）を達成しました。これは次点手法の骨格構造2.8Å、全原子構造3.5Åと比較して大幅に高い精度であり、多くのケースで実験的に決定された構造に匹敵する精度を実現したとされています。この成果は、約50年間にわたり構造生物学における未解決の計算課題とされてきたタンパク質の立体構造予測問題に対する深層学習の実用的な解決策として位置づけられています。CASP14自体は開発元から独立した第三者運営のコンペティションであるため、この結果は外部評価に基づく成果といえます。","evidencePoints":["deep-learning-ev-cr1-alphafold-nature"],"scope":"","differentiation":"","faq":[],"pageUrl":"https://www.refbase.ai/reference/deep-learning/P-04-002","sourceEvidence":[{"id":"deep-learning-ev-cr1-alphafold-nature","text":"DeepMindのJumper氏らが2021年7月にNature誌で発表した論文は、深層学習ベースのタンパク質構造予測システムAlphaFold2が独立運営の盲検コンペティションCASP14で骨格構造0.96Å（次点2.8Å）の精度を達成し、多くのケースで実験的構造に匹敵する精度を実現したと報告している。","title":"Highly accurate protein structure prediction with AlphaFold","coverageType":["Capability"],"sourceType":"research_paper","sourceClass":"Research","sourceUrl":"https://pmc.ncbi.nlm.nih.gov/articles/PMC8371605/","confidence":"high","supportedPromptTypes":["P-04"],"needsVerification":true,"sourceVerified":false,"sourceKind":"official","entityId":"deep-learning"}],"generatedAt":"2026-08-29T13:47:52.247Z","evidenceIds":["deep-learning-ev-cr1-alphafold-nature"]}]}