RNN・LSTMとは？系列データを“覚える”仕組みをやさしく図解

前回のCNNは画像のための配線でした。今回は、文章・音声・株価のように「順番に意味があるデータ（系列データ）」のための配線——RNN（再帰型ニューラルネットワーク）とその改良版LSTMを扱います。

「私は猫が好き」という文の意味は、単語の“並び順”で決まります。前の言葉を覚えていないと、次の言葉は理解できません。この「前を覚えながら順に処理する」ためにRNNは生まれました。図でやさしく見ていきましょう。

この連載は、ニューラルネットとは？とディープラーニングの学習で学んだ「基本のしくみ」を土台にしています。まだの方は先に読むと、よりスッと入ってきます。

ルミィ

CNNが『画像の配線』なら、RNNは『順番のあるデータの配線』。カギは“前の記憶を次へ渡す”ループだよ。

RNNとは？｜ループで“記憶”を持つネットワーク

ふつうのニューラルネットは、入力を受け取って出力するだけで、過去のことは覚えていません。これでは「順番」が大事なデータを扱えません。

RNNは、ここにループを加えました。図のように、各ステップで「いまの入力」と「前のステップの記憶（隠れ状態）」の両方を受け取り、新しい記憶を作って次へ渡します。文章なら単語を1つずつ、株価なら1日ずつ、前の情報を引き継ぎながら処理していくわけです。

この“記憶を渡すバケツリレー”のおかげで、RNNは「文脈」を扱えます。たとえば「それ」が何を指すかは前の文を覚えていないと分かりませんが、RNNは前の隠れ状態にその手がかりを残せるのです。

どんなデータが「系列」なの？

系列データ（順番に意味があるデータ）は、身の回りにあふれています。

• 文章・言葉——単語の並び。順番が変われば意味も変わる
• 音声——時間とともに変化する波。前後のつながりで言葉になる
• 時系列——株価・気温・売上など、時間で変化する数値
• センサー——心拍やセンサーログのような連続した記録

これらに共通するのは、「いまの値」だけでなく「これまでの流れ」が大事だということ。CNNが“空間（近所）”の関係を捉えるのに対し、RNNは“時間（順番）”の関係を捉えるのが得意、と整理できます。

RNNの弱点｜長くなると記憶が薄れる

便利なRNNですが、大きな弱点がありました。系列が長くなると、昔の情報が薄れて消えてしまうのです。

原因は、学習のときに過去へさかのぼって誤差を伝える過程で、勾配（修正の手がかり）がどんどん小さくなってしまう「**勾配消失**」という現象です。

たとえば長い文章で「最初に出てきた主語」を、文の終わりまで覚えていられない。そんな“もの忘れ”が起きてしまいます。この弱点を解決するために生まれたのが、次のLSTMです。

LSTM｜「覚える・忘れる・出す」を制御する

LSTM（Long Short-Term Memory）は、RNNにゲートという仕掛けを足した改良版です。ゲートとは、情報の流れを調整する“蛇口”のようなもの。LSTMは大きく3つのゲートを持ちます。

• 忘却ゲート——古い記憶のうち、もういらないものを捨てる
• 入力ゲート——新しい情報のうち、覚えておくべきものを記憶に書き込む
• 出力ゲート——記憶のうち、いま出力に使うべきものを選んで出す

この仕組みで、LSTMは「大事なことは長く覚え、いらないことは忘れる」を自分で学べます。おかげで長い系列でも記憶を保ちやすくなり、機械翻訳や音声認識の精度が大きく伸びました。LSTMを少し簡単にしたGRUという親戚もよく使われます。

何に使われてきた？

RNN・LSTMは、2010年代の系列データ処理を支えました。

• 機械翻訳——文を読み込み、別の言語の文を生成する
• 音声認識——音声を聞き取って文字に起こす
• 文章生成・予測変換——次に来る単語を予測する
• 時系列予測——株価や需要などの先読み

そして今｜Transformerへの橋渡し

RNN・LSTMには、もう一つ弱点がありました。前から順に処理するので、計算を並列にしにくく、とても長い文脈も苦手だったのです。

この壁を破ったのが、Attention（注意機構）と、それを全面採用したTransformerでした。「順番に渡す」のではなく「離れた単語どうしを一気に見比べる」発想で、並列処理と長文脈を可能にし、いまの大規模言語モデル（LLM）の土台になりました。

とはいえ、「前の情報を記憶として引き継ぐ」というRNNの基本思想は、系列を理解するうえでの出発点。ここを押さえておくと、TransformerやLLMの“ありがたみ”がいっそうよく分かります。

具体例で追う｜「私は猫が好き」を読む

RNNが文を読む様子を、1単語ずつ追ってみましょう。

1. 「私」を読む——最初の隠れ状態に「主語は私」という手がかりを残す
2. 「は」を読む——前の記憶（私）を受け取りつつ、「主語＋は」という形を把握する
3. 「猫」を読む——ここまでの文脈に「猫」が加わり、記憶がさらに更新される
4. 「好き」を読む——これまでの記憶を踏まえ、「私は猫が好き」という意味にたどり着く

ポイントは、各ステップの隠れ状態が“それまで読んだ全部”を要約した記憶になっていること。だからRNNは、単語をバラバラにではなく、つながりとして理解できるのです。

発展形｜双方向RNNとseq2seq

RNNには、用途に応じた発展形があります。代表的な2つを紹介します。

• 双方向RNN——文を「前から」だけでなく「後ろから」も読み、両方の記憶を合わせる。後ろの文脈も使えるので、文章理解の精度が上がる
• seq2seq（系列から系列へ）——入力の文をRNNで読み込んで“意味のかたまり”にし（エンコーダ）、別のRNNでそれを別の言語の文へ展開する（デコーダ）。機械翻訳の定番だった

このseq2seqの「エンコーダ・デコーダ」という発想や、そこに加えられたAttentionが、のちのTransformerへと発展していきました。RNNは、いまのAIへの大事な踏み石だったのです。

CNNとRNN｜2つの“専門家”

ここまでで、ディープラーニングの2大基本アーキテクチャが出そろいました。前回のCNNとあわせて整理しておきましょう。

「画像ならCNN、順番のあるデータならRNN」が基本の住み分けでした。どちらも“ふつうのニューラルネットを、データの性質に合わせて組み替えたもの”という点は共通しています。

RNNの“今”｜居場所はある？

言語処理の主役はTransformerに移りましたが、RNN・LSTMが消えたわけではありません。Transformerは強力な反面、計算が重く、長い系列ほどメモリを多く使います。

そのため、スマホや組み込み機器のような“非力な環境”でのリアルタイム処理や、比較的短い時系列の予測では、軽量なRNN・LSTMがいまも現役で使われています。「いつでもTransformerが正解」ではなく、使える計算資源と扱うデータの長さに応じて選ぶ、というわけです。

そして何より、「前の情報を記憶として引き継ぐ」というRNNの考え方を知っておくことは、TransformerやLLMがなぜ生まれたのかを理解する近道になります。土台を押さえてこそ、最新技術のありがたみが分かるのです。

まとめ

RNN（再帰型ニューラルネットワーク）は、ループで“記憶”を持ち、前の情報を次へ渡しながら、順番のあるデータを処理する配線です。長い系列で記憶が薄れる弱点（勾配消失）を、「覚える・忘れる・出す」ゲートで解決したのがLSTMでした。

文章・音声・株価・センサーログと、世の中は“順番のあるデータ”であふれています。その「順番」を扱う発想の原点がRNNであり、その記憶力を鍛えたのがLSTM・GRUでした。いまでこそTransformerが主役ですが、RNNが切り開いた『過去を覚えて、次に活かす』という考え方は、AIが時間や文脈を理解するための、いちばん大事な第一歩。ここを押さえておけば、続くTransformerやLLMの解説も、きっとすんなり読めるはずです。次回からは、判別ではなく“生成”——データそのものを生み出すネットワークへと話が移っていきます。

文章・音声・時系列など、世の中の多くのデータは“順番”を持っています。その扱い方の出発点がRNN・LSTM。そして、その限界を超えるために生まれたのがTransformerであり、LLMへとつながっていきます。次回は、生成の入り口となる「オートエンコーダ」に進みます。

よくある質問（FAQ）

RNN（再帰型ニューラルネットワーク）とは何ですか？

A. 文章や時系列のように『順番に意味があるデータ』を扱うためのニューラルネットです。各ステップで今の入力と前の記憶（隠れ状態）の両方を受け取り、記憶を次へ渡しながら順番に処理することで、文脈を扱えます。

RNNとCNNの違いは何ですか？

A. CNNは画像のように『空間（近所）』の関係を捉えるのが得意で、RNNは文章や時系列のように『時間（順番）』の関係を捉えるのが得意です。扱うデータの性質が違います。

LSTMとは何ですか？RNNと何が違いますか？

A. LSTMはRNNの改良版で、『忘却ゲート・入力ゲート・出力ゲート』という仕掛けを足したものです。これにより『大事なことは長く覚え、いらないことは忘れる』を学べ、長い系列でも記憶を保ちやすくなります。

勾配消失とは何ですか？

A. 学習時に過去へさかのぼって誤差を伝える際、修正の手がかり（勾配）がどんどん小さくなって消えてしまう現象です。これにより、ふつうのRNNは長い系列の昔の情報を覚えていられなくなります。LSTMはこれを緩和します。

RNN・LSTMは何に使われてきましたか？

A. 機械翻訳、音声認識、文章生成や予測変換、株価や需要などの時系列予測に使われてきました。2010年代の系列データ処理を支えた中心的な技術です。

RNNはもう使われていないのですか？

A. 並列処理や長文脈に強いTransformerが主流になり、言語処理ではRNNの出番は減りました。ただし軽量な時系列処理など今も使われる場面はあり、『記憶を引き継ぐ』という基本思想はTransformerやLLMを理解する出発点になります。

GRUとは何ですか？

A. GRU（ゲート付き回帰ユニット）は、LSTMをやや簡単にした親戚のような仕組みです。ゲートの数が少なく計算が軽い一方、多くの場面でLSTMに近い性能を出せるため、よく使われます。

あわせて読みたい

参考・一次ソース

• IBM「What are recurrent neural networks?」（ibm.com）
• Christopher Olah「Understanding LSTM Networks」（colah.github.io）

※本記事は2026年6月時点の一般的な仕組みを初心者向けに整理したものです。モデルの詳細や最適な使い方は用途・データによって変わります。

ルミィ

AIナビゲーター

YouTube

ChatGPT・Gemini・Claudeなどの会話AI、画像生成AI、動画生成AI、資料作成AI、AI検索ツールを初心者向けに解説するAIナビゲーター。実際に使ってみた感想や、仕事・学習・発信に役立つAI活用法をわかりやすく紹介しています。