次元削減（オートエンコーダ）とは
オートエンコーダの中間層である潜在空間により、入力データを低次元へ圧縮し、本質的な特徴のみを抽出する手法です。主成分分析（PCA）と異なり非線形変換を用いるため、複雑な構造も表現できます。
この用語はG検定シラバスの「24. オートエンコーダ」に含まれます。 章全体の用語は用語解説④（全60語）にまとまっています。
一言でいうと
オートエンコーダの中間層を使って、データを低次元に圧縮する手法です。
圧縮して復元する
オートエンコーダは入力を再現するように学習します。ただし中間層をわざと小さくしておきます。
すると、狭い中間層を通しても元に戻せるように本質的な情報だけを残す圧縮を学習することになります。この中間層（潜在空間）の表現が次元削減の結果です。
PCAとの違い
| 手法 | 変換 |
|---|---|
| 主成分分析（PCA） | 線形変換のみ |
| オートエンコーダ | 非線形変換が可能（活性化関数を持つため） |
そのため、曲がった構造を持つデータでもオートエンコーダなら捉えられます。「PCA＝線形、オートエンコーダ＝非線形」という対比が出題ポイントです。
なお活性化関数を使わなければ、オートエンコーダはPCAとほぼ同じ働きになります。
圧縮できるということの意味
狭い中間層を通しても復元できるということは、元のデータに冗長性があったことを意味します。
逆にまったく圧縮できないデータは、すべての次元が独立に意味を持っているということです。次元削減が効くかどうかはデータの性質しだいだと理解しておきましょう。
混同しやすい用語との違い
| 用語 | ポイント |
|---|---|
| オートエンコーダ | 非線形変換が可能。複雑な構造も表現できる |
| PCA | 線形変換のみ。解釈性は高い |
🎯 G検定での押さえどころ
- 中間層（潜在空間）が圧縮表現になる
- 非線形変換を扱える点がPCAとの違い
- 入力を再現するように学習する（教師なし学習）
⚠️ よくある誤りの選択肢
- 「オートエンコーダによる次元削減は線形変換に限られる」→ 誤り。非線形も扱えます
- 「オートエンコーダの学習には正解ラベルが必要である」→ 誤り。入力自身が目標なので教師なし学習です
📘 もっと深く学ぶ
- 数式レベルまで踏み込んだ解説 → 医療AIナビ「オートエンコーダ」（E資格向け）
関連する用語
ご利用にあたって 本ページの内容は、JDLAが公開しているG検定シラバス2024や公式テキストなど、一般に公開されている情報をもとに独自に整理・解説したものです。実際の試験の出題内容を示すものではなく、また合格を保証するものでもありません。制度・法令・試験要項は変更されることがあるため、最新の情報は必ずJDLA公式サイトでご確認ください。