長短期記憶（LSTM）は、時系列データの処理に特化したニューラルネットワークであり、最大の特徴は「長期的な文脈を理解できる」点である。従来のリカレントニューラルネットワーク（RNN）は、直前のデータしか保持できず、いわば「ニワトリのような記憶力」しか持たない。そのため、文章や音声、株価など「時間の流れ」があるデータの扱いが難しかった。一方、LSTMは「重要な情報はノートに書き留め、不要になれば消しゴムで消す」ような高度な記憶管理機能を備えている。これにより、長編小説の伏線を回収するように、過去の重要な情報を保持し続け、現在の判断に活かすことができる。
LSTMの内部には「セル状態」と呼ばれる情報の通り道（ベルトコンベア）があり、3つの「ゲート（門）」が情報の取捨選択を担っている。各ゲートは、情報の重要度を「0（不要）」から「1（重要）」まで数値で評価し、情報の通過量をコントロールする。
長編推理小説を読む脳内を例にしたLSTM
図では、「犯人を推理しながら長編ミステリー小説を読んでいる脳内」を例にLSTMを表している。脳内には読書中の本や過去に読んだ本の情報が蓄積されており、どの情報が犯人の推理に役立つかを判断するのに使う。
① 忘却ゲート（情報の断捨離）：過去の記憶から、現在の文脈に不要な情報を削除する
例えば、小説内に「主人公（探偵）の朝食はパンだった」という描写があった場合、
- 判断ロジック： 「探偵の食事メニューは事件のトリックとの関連は薄い」と判断し、この情報の重要度を「0.01（ほぼ不要）」とする。
- 結果： 「探偵の朝食はパン」という情報に0.01を掛けて、記憶のベルトコンベアへ書き込む。
② 入力ゲート（情報の記録）：新しく入ってきた情報のうち、何を記憶に留めるかを決定する
例えば、小説内に「被害者の傷から、犯人は左利きと推察される」という描写があった場合、
- 判断ロジック： 「身体的特徴は事件解決の鍵」と判断し、この情報の重要度を「0.99（超重要）」とする。
- 結果： 「犯人は左利き」という情報に0.99を掛けて、記憶のベルトコンベアへ書き込む。
③ 出力ゲート（情報の引き出し）：蓄積された記憶の中から、今の局面に必要な情報だけを抽出して結論を出す
例えば、「犯人は誰か？」と問われた場合、
- 判断ロジック：質問の意図を汲み取り、記憶内にある多種多様な情報から「身体的特徴」に関するフィルターの透過度を最大限に開放する。
- 結果： 記憶から「左利き」という情報をピンポイントで抽出し、「左利きの人物が怪しい」という推論を出力する。
特徴
- 長期記憶の保持：情報の重要度を学習することで、長い時間が経過しても重要な文脈を忘れずに保持できる（勾配消失問題の解決）。
- 自動的な情報の選別：人間がルールを教え込まなくても、データから「何を覚え、何を忘れるべきか」を自動で学習する。
- 高い汎用性：テキストだけでなく、音声、株価、センサーデータなど、時間の流れを持つあらゆるデータに応用できる。
提唱・開発の歴史
LSTMは1997年、ドイツのコンピュータサイエンティスト
セップ・ホフライター氏
https://en.wikipedia.org/wiki/Sepp_Hochreiterより引用
ユルゲン・シュミットフーバー氏
https://en.wikipedia.org/wiki/Jürgen_Schmidhuberより引用
デザイン上での利用方法
プロダクトデザインにおいて「ユーザーの状況や流れを理解し、それに合わせた体験を提供するための仕組み」としてLSTMを活用できる。
デザインの視点では、「一時的な行動（点）」だけを見るのではなく、「過去から現在までの行動の流れ（線）」を把握するために使う。ユーザーが今行った操作だけでなく、これまでの履歴（シーケンス）全体を分析し、その情報をもとに次に必要となる提案やインターフェースを先回りして提示することができる。
「この場面に使える」シーンと具体例
| 利用シーン | 具体的なデザイン事例 | LSTMの役割 |
|---|---|---|
| ① スマートフォンの文字入力 | 予測変換機能 「お世話に」と打つと、過去のメールの文脈から「なっております」と続く候補を出す。 |
単語の並び順を記憶し、次に来る確率が高い言葉を予測する。 |
| ② 手書き入力アプリ | 崩れた文字の認識 急いで書いた汚い文字でも、前後の筆跡の流れから正しい文字として認識・変換する。 |
ペンの動き（時系列データ）を解析し、文字の形状を推測する。 |
| ③ 音楽・動画配信サービス | 「次のおすすめ」の精度向上 アクション映画を3本連続で見た後に、急に静かなドキュメンタリーを見始めた場合、その「気分の変化」を汲み取って次の候補を変える。 |
視聴履歴の順番（シーケンス）から、ユーザーの現在の興味の移り変わりを学習する。 |
| ④ 音声アシスタント | 自然な会話の継続 「東京の天気は？」→「晴れです」→「大阪は？」と聞いた時、「大阪の（天気は？）」と文脈を補完して答える。 |
直前の会話の内容（コンテキスト）を保持し、省略された主語を補う。 |
