はじめに
本記事では、美術や文学といった人文的な領域においても活用が進む**機械学習（Machine Learning）**について、初心者にもわかりやすい形で用語をまとめます。
創作支援や作品解析、ジャンル分類、作風のスタイル認識、言語生成など、美術・文学に関する応用で使われる言葉や概念を整理し、わかりやすくまとめていきます。
優先度高 — 美術や文学との関連が特に深い用語
-
自然言語処理 (Natural Language Processing, NLP)
文学作品の自動解析や詩の生成に使われる技術。 -
感情分析 (Sentiment Analysis)
小説やレビューから感情の傾向を読み取ることで、作品のトーンや読者の反応を可視化できる。 -
トピックモデル (Topic Modeling)
詩や小説の主題や時代背景を自動的に分類・抽出できる手法。 -
BERT (Bidirectional Encoder Representations from Transformers)
文脈理解に優れたモデルで、詩や文学作品の深い読解支援に使われる。 -
Word2Vec
詩的表現や比喩の類似性を数値で捉えるのに活用される単語ベクトルモデル。 -
GloVe (Global Vectors for Word Representation)
文学作品中の語彙の意味的距離を分析する際に有効。 -
テキストマイニング (Text Mining)
大量の文学作品や美術論文から、繰り返し現れるテーマや特徴語を抽出できる。 -
生成敵対ネットワーク (Generative Adversarial Network, GAN)
芸術的な画像や詩をAIが創作する際の代表的なモデル。 -
文脈埋め込み (Contextual Embedding)
登場人物の心理や情景の変化をより的確に捉えることができる。 -
単語埋め込み (Word Embedding)
詩や歌詞などの類似語を見つけるときに便利な技術。 -
転送学習 (Transfer Learning)
既存の知識を活かして、特定の作家や画風に特化したAIモデルを効率的に作れる。 -
ファインチューニング (Fine-tuning)
ある特定の詩人や画家のスタイルにAIを調整するためのステップ。 -
トークン化 (Tokenization)
文学作品を単語や文に分解して分析を始める基本処理。 -
形態素解析 (Morphological Analysis)
日本語の詩や短歌のように語形変化が多いテキストを扱う際に必須の処理。 -
クエリ処理 (Query Processing)
「この詩に登場する感情は？」など、自然文による検索に必要な技術。 -
アートスタイル転送 (Art Style Transfer)
ゴッホ風・浮世絵風など、既存画像に特定の画風を適用する生成技術。 -
畳み込みニューラルネットワーク (Convolutional Neural Network, CNN)
絵画や彫刻写真から特徴を抽出し、ジャンルや作家を分類するのに使われる。 -
画像特徴抽出 (Feature Extraction for Images)
筆づかいや構図など、美術作品の特徴を数値化する技術。 -
セグメンテーション (Segmentation)
絵画の中から人物・背景などの構成要素を自動で切り出す処理。 -
エッジ検出 (Edge Detection)
作品の輪郭線を検出し、デッサンの構造解析に役立つ。 -
画像圧縮 (Image Compression)
高解像度の作品画像を扱いやすくしつつ、芸術的な特徴を保つための技術。 -
ビジュアライゼーション (Visualization)
文学作品の感情変化や語彙の構造をグラフや図で直感的に表現する手法。
優先度中 — 分析や応用の基礎となる用語
-
教師あり学習 (Supervised Learning)
作家の文体や絵のスタイルを学習し、似た作品を分類する際に活用される。 -
教師なし学習 (Unsupervised Learning)
ジャンルやテーマを事前知識なしでクラスタリングし、未知の関係を発見するのに役立つ。 -
回帰 (Regression)
年代や流行の影響が作品に与える変化を数値で予測する際に用いられる。 -
分類 (Classification)
詩・エッセイ・物語、または抽象画・具象画などのカテゴリ分けに使用される。 -
次元削減 (Dimensionality Reduction)
複雑な作品データを2D・3Dに可視化して、文体や画風の分布を見やすくする。 -
特徴量 (Feature)
画風の「線の太さ」や、文学の「比喩の頻度」など、作品を表現する数値的指標。 -
ラベル (Label)
「ロマン主義」「シュルレアリスム」など、作品に与える分類名。 -
データセット (Dataset)
多くの文学作品や美術画像を集めて分析・学習に用いる材料。 -
誤差 (Error)
AIが作品のジャンルを間違えた場合に、そのズレを測る指標。 -
損失関数 (Loss Function)
予測と実際の違いを数値化し、AIの学習精度を改善するために使う関数。 -
最適化 (Optimization)
詩の生成や画像分類などのモデル性能を最大限に引き出す技術。 -
勾配降下法 (Gradient Descent)
学習誤差を減らすために、モデルのパラメータを少しずつ調整していくアルゴリズム。 -
学習率 (Learning Rate)
作品分析モデルの学習速度を調整するハイパーパラメータ。 -
学習曲線 (Learning Curve)
作品に対するモデルの理解度が、学習を通じてどのように向上したかを見る指標。 -
アンサンブル学習 (Ensemble Learning)
複数のモデルを組み合わせることで、作品分析の精度を向上させる方法。 -
ランダムフォレスト (Random Forest)
文体分類や作家識別に強い、決定木の集まりからなる分析手法。 -
XGBoost
特徴的な表現の分類やスタイル識別において高精度な結果を出す人気手法。 -
LightGBM
大規模な文学作品データや画像データの分類に向いている高速学習モデル。 -
CatBoost
カテゴリー型データ（ジャンル・作家名など）を扱うのが得意なブースティング手法。 -
カーネル法 (Kernel Method)
線形に分類できない複雑な画風や文体の境界をうまく表現できる。 -
評価指標 (Evaluation Metric)
モデルの性能を客観的に測る指標。作品分析における信頼性の基盤となる。 -
精度 (Accuracy)
詩や画像を正しく分類できた割合。 -
再現率 (Recall)
感情表現など、見逃してはいけない要素をどれだけ検出できたかを示す指標。 -
適合率 (Precision)
「悲しい詩」と判定されたものが、実際にどれだけ本当に悲しい内容だったかを示す。 -
F値 (F-score)
再現率と適合率のバランスを評価し、全体的な正確さを測る。 -
ROC曲線 (ROC Curve)
モデルが作品を分類する際の「慎重さ」と「大胆さ」のバランスを見る指標。 -
AUC (Area Under the Curve)
ROC曲線の性能を一つの数値で評価したもの。作品識別モデルの優劣比較に使える。 -
混同行列 (Confusion Matrix)
ジャンル分類などで、正解と間違いのパターンを視覚的に示す表。 -
異常検出 (Anomaly Detection)
奇抜な表現やスタイルの変化をAIが見つけ出すのに役立つ。 -
特徴選択 (Feature Selection)
作品分析で本当に重要な指標（語彙、構図、色彩など）を抽出する工程。
優先度低 — 理論・内部構造の理解に役立つ用語
-
勾配消失 (Vanishing Gradient)
深いモデルで詩や絵を学習する際、感情や構図のような重要な情報が学習されにくくなる現象。 -
L1正則化 (L1 Regularization)
文学分析において不要な語彙や要素を自然に削除する効果がある。 -
L2正則化 (L2 Regularization)
作品の分析において、特定の特徴に偏りすぎないように調整する手法。 -
ドロップアウト (Dropout)
詩や画風の学習時に、モデルが特定の表現に依存しすぎないようにする技術。 -
誤差逆伝播法 (Backpropagation)
文学ジャンルや画風の学習過程で、どこを修正すればより正確な分類になるかを伝える仕組み。 -
活性化関数 (Activation Function)
AIが「この単語は感情的」「この構図は印象派らしい」と判断する際のスイッチ。 -
シグモイド関数 (Sigmoid Function)
詩の一節が「悲しい」か「悲しくない」かなど、二値での判断に使われる。 -
ReLU (Rectified Linear Unit)
処理を速く・簡潔にしながらも、文学や芸術表現の学習に強い活性化関数。 -
ソフトマックス関数 (Softmax Function)
複数ジャンルの中から「この詩は恋愛ジャンルである可能性80%」と確率を出す関数。 -
トランスフォーマー (Transformer)
長文の詩や文芸作品全体を理解・生成する強力なモデル構造。 -
注意機構 (Attention Mechanism)
詩のキーワードや、絵画における中心的モチーフに注目させる仕組み。 -
Q学習 (Q-Learning)
物語生成や詩的構造において、どう続ければ面白い展開になるかを学習する強化学習技法。 -
ベイズ推定 (Bayesian Inference)
「この作者の作風からすれば、この表現が来そう」といった予測に使える統計的推定。 -
遺伝的アルゴリズム (Genetic Algorithm)
芸術作品の自動生成やスタイルの最適化に応用される進化的手法。 -
時系列解析 (Time Series Analysis)
文学作品の時代背景による言葉の変化や、画風の時代的変遷を追うのに有効。 -
ウェーブレット変換 (Wavelet Transform)
絵の細部や詩のリズムのように、時間や空間の変化を多層的に解析するための変換技術。 -
主成分分析 (Principal Component Analysis, PCA)
文体や画風の「主な特徴軸」を抽出し、分類や可視化に役立てる。 -
t-SNE (t-Distributed Stochastic Neighbor Embedding)
複雑な表現を2次元で可視化し、作風の違いや類似性を一目で把握可能にする。 -
カーネル主成分分析 (Kernel PCA)
非線形な表現（抽象画・詩的表現など）をうまく分離・可視化するための手法。 -
エポック (Epoch)
作品の特徴をAIが何度学習したかを示す単位。学習回数とも言える。 -
バッチ処理 (Batch Processing)
複数の作品をまとめて一度に学習する際の単位で、学習効率に影響する。