回帰結合層（Recurrent Layer）
解説：自分にパスを出す「記憶」の仕組み
回帰結合層は、ニューラルネットワークの中に「ループ（繰り返し）構造」を持たせた層のことです。最大の特徴は、計算した出力をそのまま外に出すだけでなく、「次の瞬間の自分自身」にも入力として戻す点です。
これを人間の作業に例えると、「前回のメモを見ながら、今の作業をする」ことに似ています。
🔄 順伝播型（FNN/CNN）との違い
- 順伝播型（一方通行）：
入力されたデータを処理したら終わり。「その瞬間」のことしか考えません。
（例：この写真は猫だ！ → 終了） - 回帰結合層（ループ型）：
1ステップ前の自分の状態（隠れ状態）を受け取ります。つまり「過去の記憶」を持った状態で、今のデータを処理します。
（例：さっき「私は」と言ったから…次は「猫だ」と言う確率が高いな）
なぜ「時系列データ」に強いのか？
音声、文章、株価、動画などのデータは、「順番」に意味があります。
「私」「は」「猫」「です」という単語をバラバラにして「猫」「私」「です」「は」と並べ替えると、意味が通じなくなります。
回帰結合層は、前のデータを受け取って次の処理を行うため、こうした「前後の文脈（コンテキスト）」を考慮しなければならないデータの処理に最適です。
| 層の種類 | 得意なデータ | キーワード |
|---|---|---|
| 畳み込み層 (CNN) |
画像（空間的な特徴） | 「形」を見る |
| 回帰結合層 (RNN) |
時系列（時間的な特徴） | 「流れ」を見る |
G検定対策
出題ポイント
- 構造：出力を次の入力に戻す「再帰（リカレント）構造」を持つ。
- 役割：過去の情報を「隠れ状態（内部状態）」として保持し、時系列データ（可変長の系列データ）を処理可能にする。
- 用途：自然言語処理（翻訳、文章生成）、音声認識、株価予測など。
