誤差逆伝播法（Backpropagation／バックプロパゲーション）は、ニューラルネットワークで損失（誤差）の勾配を各層の重みに効率的に伝える学習の基本手法です。本記事はTransformerなどの構造解説ではなく、「どうやって重みを更新するか」——順伝播・逆伝播のパイプライン——に焦点を当てます。
試験で問われる見方
G検定では、誤差逆伝播法が連鎖律で勾配を計算すること（TF-072）、出力側の誤差を重み更新に反映すること（TF-390）が○として問われます。
逆に、学習率やバッチサイズも誤差逆伝播で重みと同様に更新されるは×です。これらはハイパーパラメータで、学習前に設定します（TF-052）。
演習で確認する
誤差逆伝播法とは
ニューラルネットは、入力から出力まで層を重ねた合成関数とみなせます。誤差逆伝播法は、最終出力と正解の差（損失）から出発し、出力側から入力側へ向かって各重みに対する勾配（偏微分）を計算する方法です。
勾配が分かれば、勾配降下法などで重みを少しずつ更新し、損失を減らしていきます。ニューラルネットの深層学習を支えた中核技術の一つです。
学習の1ステップ
試験・入門で押さえる流れは次の4段階です。
-
順伝播（フォワード）
入力データをネットワークに通し、予測値を計算する。
-
損失の計算
予測と正解の差を損失関数（例：交差エントロピー、二乗誤差）で数値化する。
-
逆伝播（バックワード）
損失から各重みへの勾配を逆方向に伝播させる（誤差逆伝播法の本体）。
-
重みの更新
勾配の方向に学習率をかけてパラメータを更新する。
このサイクルをエポック（データ全体の繰り返し）・バッチ単位で繰り返します。
連鎖律が鍵
多層ネットワークでは、層が連鎖した合成関数になるため、微分には連鎖律（チェインルール）が使われます（G-014、G-172）。
誤差逆伝播法の「逆」とは、計算の向き——出力に近い層から入力に近い層へ勾配を渡していく——を指します。物理的に信号が逆流するわけではなく、数学的に勾配を効率よく求めるアルゴリズムです。
混同しやすい用語
| 用語 | 関係 |
|---|---|
| 勾配降下法 | 勾配の方向にパラメータを更新する最適化の考え方。誤差逆伝播は勾配を求める方法 |
| ハイパーパラメータ | 学習率、バッチサイズなど。誤差逆伝播では直接更新しない（TF-052） |
| 損失関数 | 誤差逆伝播の起点になるスカラー値 |
| Transformer | ネットワークの構造。学習手法とは別レイヤー |
勾配消失・爆発
層が深い、または時間方向に長く展開される（RNNなど）と、逆伝播で勾配が極端に小さくなる（消失）、または大きくなる（爆発）ことがあります（G-136）。
対策として、ReLUなどの活性化関数、正則化、勾配クリッピング、Transformerのようなアーキテクチャの採用などが研究・実務で使われます。試験では現象の名前と「学習が不安定になる」という理解で十分なことが多いです。
よくある質問
誤差逆伝播法と勾配降下法は同じ？
同じではありません。勾配降下法は更新の考え方、誤差逆伝播は深いネットで勾配を求める具体的な手法です。セットで使われます。
LLMの学習でも使われる？
はい。基本的には誤差（損失）に対する勾配で重みを更新します。規模が大きいため分散学習などの技術が加わります。
学習率も誤差逆伝播で更新される？
通常は更新されません（TF-052）。ハイパーパラメータとして別に設定します。
生成AIパスポートでも出る？
深い技術詳細はG検定寄りです。生成AIパスポートは活用・リスクが中心で、本記事はG検定の土台として読むのがおすすめです。