多層パーセプトロン（MLP）
解説：単純パーセプトロンの進化形
多層パーセプトロン（MLP: Multi-Layer Perceptron）は、その名の通り、単純パーセプトロンを何層にも重ねてパワーアップさせたニューラルネットワークです。
最大の特徴は、入力層と出力層の間に「隠れ層（中間層）」を持っていることです。この隠れ層があるおかげで、単純パーセプトロンでは絶対に解けなかった「XOR問題（排他的論理和）」などの複雑な問題を解けるようになり、第2次AIブームを牽引しました。
| 比較項目 | 単純パーセプトロン | 多層パーセプトロン (MLP) |
|---|---|---|
| 構造 | 入力層 → 出力層 (2層のみ) |
入力層 → 隠れ層 → 出力層 (3層以上) |
| 能力 | 線形分離のみ (直線を1本引くだけ) |
非線形分離が可能 (ぐにゃぐにゃした境界線を引ける) |
| 解ける問題 | AND, OR | AND, OR, XOR (排他的論理和) |
なぜ「XOR」が解けるのか？（重要）
単に層を増やしただけでは意味がありません。隠れ層で「非線形活性化関数（シグモイド関数やReLU関数など）」を使うことが絶対条件です。
これにより、直線しか引けなかったグラフ上で「曲線を引く（空間を歪める）」ことができるようになり、白と黒が複雑に入り組んだデータでも綺麗に分けられるようになります。
G検定対策
出題ポイント
- 構造の定義：「入力層、隠れ層（中間層）、出力層」から成るネットワークであること。
- 歴史的意義：単純パーセプトロンの課題であった「XOR問題」を解決し、AI冬の時代を終わらせた。
- 学習方法：一般的に「誤差逆伝播法（バックプロパゲーション）」を用いて学習する。
- 万能近似定理：隠れ層があれば、どんな複雑な関数（連続関数）でも近似できる能力を持つこと。
ひっかけ対策
- 「線形関数」の罠：
「隠れ層の活性化関数をすべて線形関数（ただの掛け算）にしても、層を増やせば性能は上がる？」 → × 間違い。
線形関数は何回重ねても結局「1つの線形関数」にしかならないため、単純パーセプトロンと性能が変わらなくなります。「非線形関数」が必須です。
