title: 深層学習の応用（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） —

E資格の出題範囲のうち「深層学習の応用」パートにあたる5分野をまとめたノートです。

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。