ネオコグニトロン (G検定)

1. 定義と概要

ネオコグニトロンとは、福島邦彦（ネオコグニトロンを考案した日本の研究者）が1979年から1980年にかけて提案した、パターン認識のための階層型ニューラルネットワークモデルです。画像内の位置ズレや変形があっても同じパターンとして認識できる頑健性をねらって設計されています。

構造の要は、特徴を検出するS細胞層（画像の線や模様といった細かい特徴を検出する層）と、その特徴を統合するC細胞層（S細胞層が捉えた特徴を、位置のズレを許容しながらまとめる層）です。この2種類の層を交互に重ねる構造を持ち、手書き数字の認識などに適用されました。

従来のパーセプトロン（入力に重みをかけて足し合わせ、しきい値で判定する初期のニューラルネットワークモデル）ができるのは、単純な線形分離（データを1本の直線や平面で2つのグループに仕分ける処理）までにとどまります。そのため、画像のような複雑な視覚パターンの認識には限界がありました。

一方、生理学者ヒューベルとウィーセルによる一次視覚野（脳の中で視覚情報を処理する部位）の研究では、特定の向きの線に反応する単純型細胞と、対象の位置が多少ずれても反応し続ける複雑型細胞の存在が明らかにされています。両者はともに特定の形や動きに反応する脳の視覚神経細胞で、位置ズレへの頑健さは複雑型細胞の特徴です。

福島邦彦はこの生物学的な知見を工学的なモデルに落とし込み、S細胞層とC細胞層を交互に重ねる階層構造を設計しました。脳が視覚情報をどう扱っているかという観察が、そのまま層の設計図になったわけです。これが後のCNNの概念的な起点になったという流れです。

2. 試験対策ポイント

ネオコグニトロンの構造で軸になるのは、S細胞層とC細胞層が交互に並ぶ役割分担です。S細胞層が線や模様といった局所的な特徴を検出し、C細胞層がその特徴の位置ズレを吸収しながらまとめます。この特徴統合の働きは、現代のCNNにおけるプーリング（特徴の位置が多少ズレても同じ特徴として扱えるように、情報を要約する処理）の考え方に通じています。この繰り返しによって、対象が画面内で多少動いたり傾いたりしても同じパターンとして認識できる頑健性が生まれます。

学習方式では、現代のCNNとの分かれ目になる点があります。ネオコグニトロンは誤差逆伝播法（出力の誤差を逆向きに伝えて、各層の重みを調整する学習アルゴリズム）を使った教師あり学習（正解つきのデータをもとに重みを調整していく学習方式）ではありません。競合学習（複数のニューロンが互いの反応の強さを比較し合いながら、自分の役割を決めていく学習方法）にもとづく教師なし学習（正解データを与えずに、データそのものの特徴からパターンを見つけ出す学習方式）を採用しています。

この学習方式は、自己組織化（外部から明示的な答え合わせをせずに、システム自身が構造やルールを作り上げていく仕組み）とも呼ばれます。正解ラベルを与えなくても、入力されたパターンの偏りから各ニューロンが役割を分け合っていくという発想です。この違いが、ネオコグニトロンとCNNを区別する軸になります。

一次視覚野の単純型細胞・複雑型細胞という生物学的な知見を工学モデルに取り入れた歴史的な着想である点も、あわせて整理しておきたいところです。関連語としては、LeNet（ネオコグニトロンに近い構造に誤差逆伝播法を組み合わせた、手書き文字認識向けの初期のCNNモデル）が挙げられます。畳み込みニューラルネットワーク（CNN）、S細胞層・C細胞層、福島邦彦も、それぞれ個別のテーマとして掘り下げられる関係にあります。

3. 関連概念との比較・相違点

ネオコグニトロンと、その系譜に連なるモデルを、構造と学習の方式という2つの軸で並べると輪郭がはっきりします。

モデル	構造	重みの決め方
ネオコグニトロン	S細胞層とC細胞層を交互に重ねる階層構造	競合学習による教師なし学習・自己組織化
LeNet	S細胞・C細胞的な階層構造	誤差逆伝播法を導入した教師あり学習
現代のCNN	畳み込み処理を重ねる階層構造	誤差逆伝播法による教師あり学習

CNNとの最大の違いは、この表のとおり重みの決め方にあります。同じS細胞層・C細胞層的な階層構造を土台にしながら、学習のさせ方が対照的である点が、両者を分ける本質的な軸です。この違いは、生物の視覚のしくみを工学モデルへどこまで反映させるかという設計思想の違いとしても捉えられます。

LeNetとの関係は、系譜として捉えると分かりやすくなります。LeNetはネオコグニトロンと同様にS細胞・C細胞的な階層構造を土台にしながら、誤差逆伝播法を導入して実用的な学習を実現したモデルです。ネオコグニトロンが着想を示し、LeNetがそれを教師あり学習の枠組みで実用化した、という橋渡しの関係にあります。

この系譜は、生物学的な着想から出発した構造が、教師あり学習という現実的な学習手段と結びついて発展してきた過程を示しています。構造の発明と学習手段の発明が別々の時期に起きた点は、CNNの歴史をたどるうえでの見どころです。

4. ビジネス・実務での活用シナリオ

OCR（光学的文字認識。紙面の文字画像をテキストデータへ変換する技術）・文字認識の分野では、ネオコグニトロン自体が手書き数字認識の実証に使われました。後継のLeNetは郵便番号読み取りなどの実務で使われるようになり、位置ズレに頑健な特徴抽出という着想が実務利用の出発点になっています。

製造業の外観検査では、対象物の位置や角度が多少ズレても同じ欠陥として検知できるという考え方が生きています。この発想は、現在のCNNベースの外観検査AIにも受け継がれ、検査員の目視だけに頼らない安定した品質管理を支えています。

医療画像診断の分野でも、撮影角度や患部の位置のブレに左右されにくい特徴抽出という発想が基盤になっています。CNNを用いた画像診断AIが病変を見落としなく捉えられるのは、こうした位置ズレへの頑健性という考え方が現代のモデルにも息づいているためです。

5. 要点まとめ

• ネオコグニトロンは福島邦彦が1979〜1980年に提案した階層型ニューラルネットワークで、CNNの原型にあたる位置づけにあります。
• S細胞層（特徴抽出）とC細胞層（特徴統合）を交互に重ねる構造で、位置ズレに頑健な認識をねらいました。
• 競合学習による教師なし学習・自己組織化を用いる点がCNN（誤差逆伝播法）との分かれ目で、LeNetがその橋渡し役にあたります。

6. 確認問題