目次

• 物体検出
• セグメンテーション
• 生成モデル
• 深層強化学習
• 説明性（XAI）

5分野の全体像

分野	中心となる問い	代表モデル
物体検出	画像中の物体は「どこ」に「何」があるか	R-CNN系、YOLO、SSD
セグメンテーション	画像中の各画素は何のクラスか	FCN、U-Net、Mask R-CNN
生成モデル	データが従う確率分布から新しいデータを作れるか	VAE、GAN、拡散モデル
深層強化学習	環境の中で報酬を最大化する行動をどう学ぶか	DQN、方策勾配法、AlphaZero
説明性（XAI）	モデルの予測根拠をどう人間に説明するか	Grad-CAM、LIME、SHAP

他分野との接続

このプロジェクトの既存ノートと関連する箇所を整理しておきます。

• 生成モデル（VAE）の KLダイバージェンス項 → KLダイバージェンス：VAEの損失関数に登場する $D_{\text{KL}}(q(z\vert x)\parallel p(z))$ は、既存の情報理論ノートで扱った KLダイバージェンスの定義そのものです。
• 生成モデル（PixelRNN/PixelCNN）の自己回帰的定式化 → LLMの条件付き確率分布と尤度：画素の同時分布を連鎖律で条件付き分布の積に分解する考え方は、LLMのトークン列の自己回帰生成と数学的に同じ構造です。
• 説明性（Attentionの可視化） → Attention：Attentionマップ自体を説明性の手がかりとして使う場合の注意点を、既存のAttentionノートと合わせて確認してください。
• VAEの潜在変数 → 多変量正規分布：VAEのEncoderが出力する事後分布 $q(z\vert x)$ は通常、多変量正規分布として仮定されます。