プーリング層 (Pooling Layer)
プーリングとは、一般的には任意の情報を縮約する操作です。
画像認識で例えると、顔全体の画像から目、耳、鼻、口、眉毛といった重要な特徴を識別する処理に相当します。
つまり、情報の集まりから重要な特徴を抽出します。
CNNにおけるプーリング層の役割
畳込みニューラルネットワーク(CNN)ではこの操作を行う層はプーリング層と呼ばれ、通常、畳込み層（Convolution Layer）の後に接続されます。
主なプーリング手法とその仕組み
プーリングの具体的な操作には最大値プーリング（Max Pooling）、平均値プーリング（Average Pooling）などがあり、指定のサイズのフィルターとストライドで特徴量マップを走査します。
フィルターサイズ２×２、スライド２最大値プーリング
プーリング層の効果と歴史的意義
プーリング層では空間次元の削減(Downsampling)、普遍性(Translation Invariance)、および汎化性能の向上の効果があり、1990年代後半～2010年代に至るCNNの性能と実用性の飛躍的向上に不可欠な役割を果たしました。
CAEにおけるプーリングの応用
この考え方はCAEのサロゲートモデル構築においても不可欠で、物体の形状、物理量の分布などから得られた3次元の特徴量マップを縮約します。