Machine learning
確率的勾配降下法 (SGD)
確率的勾配降下法 (SGD) は、1951年に Robbins と Monro によって導入された確率的近似の枠組みに根ざした一次反復最適化アルゴリズムです。これは、各ステップでランダムに選択された単一の訓練例（または小さなミニバッチ）に基づいて計算された勾配を用いてモデルパラメータを更新することにより、目的関数を最小化します。SGD は、現代の機械学習および深層学習における中核的な最適化エンジンであり、メモリに収まらないほど大規模なデータセットでのモデル訓練を可能にします。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- Robbins, H. & Monro, S. (1951). A Stochastic Approximation Method. The Annals of Mathematical Statistics, 22(3), 400–407. DOI: 10.1214/aoms/1177729586 ↗
- Goodfellow, I., Bengio, Y. & Courville, A. (2016). Deep Learning (Ch. 8). MIT Press. ISBN: 978-0-262-03561-3
このページの引用方法
ScholarGate. (2026, June 3). Stochastic Gradient Descent (SGD) Optimization Algorithm. ScholarGate. https://scholargate.app/ja/machine-learning/stochastic-gradient-descent
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
Compare side by side →