誤差逆伝播法（バックプロパゲーション）の仕組み

Posted at 2026-11-04

機械学習やディープラーニングを勉強していると必ず登場する「誤差逆伝播法（バックプロパゲーション）」。
数式や専門記号（シグマや微分記号など）で説明されると一気に難しく見えますが、行っている本質は**「結果のズレをもとに、各担当者の配分をゴールから逆算して調整する反省会」**です。

Qiitaのまとめとして、数式記号を一切使わずに仕組みと流れを整理しました。

1. 誤差逆伝播法を一言でいうと？

**「AIの出力結果と正解のズレ（誤差）を、出力側から入力側へと逆向きに辿りながら、各パラメータの修正量を計算する手法」**です。

直感的に理解するために、ベルトコンベア式のピザ工場で例えてみます。

完成したピザ（予測）と、理想の美味しいピザ（正解）を比べると「焦げすぎ」というミス（誤差）が出ました。

このとき、どうやって改善しますか？

頭から考える場合（非効率）
- 「Aさんの伸ばし方が悪かったかも？」「Bさんのトッピングの厚みが悪かったかも？」と一人ずつ試行錯誤する。これだと担当者が何百人もいると時間が足りません。
逆から考える場合（誤差逆伝播法）
- まず完成直前の**担当C（焼き担当）**に「あなたの焼き時間が長すぎたのが原因の8割です。時間を短くしてください」と伝えます。
- 次に**担当B（具材担当）**に「Cさんの焼き時間にも影響したので、あなたの具材の乗せ方も1割修正してください」と伝えます。
- 最後に担当Aへ…と、出口から入口に向かって順番に責任（影響度）を配分していきます。

この「後ろから前へと責任配分を伝える流れ」こそが誤差逆伝播法です。

一番の理由は計算スピードが圧倒的に速いからです。

ディープラーニングでは、調整すべき値（重みやバイアス）が数億〜数千億個あります。
もし「1つをほんの少し変えて、結果がどう変わるか」を最初から順に試していると、パラメータの数だけ計算をやり直すことになり、天文学的な時間がかかってしまいます。

出口で出た「誤差の大きさ」をバケツリレーのように手前の層へ渡していくことで、たった1回の逆向き計算で、すべてのパラメータの影響度をまとめて計算できます。

数学的には「連鎖律（チェーンルール）」と呼ばれる「影響度の掛け算」を使っていますが、イメージとしては**「前の工程の影響度は、後ろの工程の影響度を引き継いで掛け合わせるだけで求まる」**というショートカット技です。

ニューラルネットワークの学習は、以下の4ステップの繰り返しです。

順伝播
- データを入力し、現在の重みを使って予測値を計算する。
誤差の算出
- 予測値と正解ラベルを比較し、「どれくらい外れているか」を計算する（損失関数）。
誤差逆伝播（ここが本手法）
- 出た誤差をネットワークの出口から入口に向かって逆流させ、各パラメータが「誤差にどれだけ影響を与えたか（傾き・勾配）」を求める。
パラメータの更新
- 求めた影響度をもとに、誤差が小さくなる方向へ重みを少しだけ更新する（勾配降下法）。

このループを何千回、何万回と繰り返すことで、AIの精度が徐々に上がっていきます。