活性化関数（Activation function）とは？：AI・機械学習の用語辞典

用語「活性化関数」について説明。人工ニューラルネットワークにおける、ある1つのニューロンにおいて、入力を受けて、次のニューロンへ出力するために行う「非線形変換の処理（関数）」もしくは「恒等関数」を指す。

[一色政彦，デジタルアドバンテージ]

用語解説

　AI／機械学習のニューラルネットワークにおける活性化関数（Activation function）とは、あるニューロンから次のニューロンへと出力する際に、あらゆる入力値を別の数値に変換して出力する関数である。

　機械学習における人工ニューラルネットワーク（ANN：Artificial Neural Network）は、人間における生体ニューラルネットワーク（BNN：Biological Neural Network）の基本的な挙動を模倣している。そのBNNでは、生体ニューロンが活性化（activation）することによって、電気信号がそのニューロンから次のニューロンへと伝播（でんぱ、※「伝搬：でんぱん」ではないので注意）していくことになる。ANNで、この「活性化」を表現するのが、活性化関数である。

　複数のニューロンから、あるニューロンへの入力は、全結合（Fully connected）などの線形変換（Linear transformation、線形写像）処理によって1つの数値にまとめられる。活性化関数は、その数値を次のニューロンに「どのように出力するか」、つまり「どう活性化するか」が定義されたものだ（※よって活性化関数で重要なのは、「数式自体」よりも「どのような形状のグラフになっているか」である。形状については、例えばシグモイド関数のグラフ図を参照）。

　この活性化の変換は、非線形変換（Non-Linear transformation、非線形写像）である必要がある（※線形変換を何度重ねても線形にしか変化せず、意味がないので）。図1は、「複数のニューロンからの入力」→「線形変換」→「非線形変換」→「次のニューロンへの出力」の流れを示した図である。※ただし、出力層の活性化関数は次のニューロンに伝播するわけではないので、出力層の活性化関数には「恒等関数」と呼ばれる線形変換が用いられることもある。

図1　「活性化関数」のイメージ

　使われる活性化関数は時代とともに変化している。ニューラルネットワークの基礎となっている情報処理モデル「パーセプトロン」（後日解説）では「ステップ関数」という活性化関数が用いられていた。しかし、「バックプロパゲーション」（後日解説）が登場してからは「シグモイド関数」や「tanh関数」が使われるようになった。さらに、最近のディープニューラルネットワークでは「ReLU」がよく使われるようになっている。

　また、出力層においてよく使われる主な活性化関数としては、

分類問題（二値）の場合は「シグモイド関数」
分類問題（多クラス）の場合は「ソフトマックス（Softmax）関数」
回帰問題の場合は「（活性化関数なし）」もしくは（前述した）「恒等関数」

がある。出力層の活性化関数の種類に応じて、使われる「損失関数」にもある程度のパターンがある。その具体的なパターンは表1にまとめた（※「交差エントロピー」や「平均二乗誤差」といった各損失関数については後日解説）。


＼	分類問題（二値）	分類問題（多クラス）	回帰問題
出力層の活性化関数	シグモイド関数	ソフトマックス関数	（なし）／恒等関数
対応する損失関数	二値用の交差エントロピー（Binary cross entropy）誤差	多クラス用の交差エントロピー（Categorical cross entropy）誤差	平均二乗誤差（MSE）
表1　出力層に使われる主要な活性化関数と、それに対応する損失関数のパターン