④ ディープラーニングの要素技術 ／ 24. オートエンコーダ
VQ-VAE / info VAE / β-VAEとは
いずれも変分オートエンコーダ（VAE）の発展形です。それぞれ何を工夫したのかを対で覚えるのがG検定の要点になります。
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
VAEを改良した3つのモデル。それぞれ潜在変数の扱い方に工夫があります。
3つの違い
| モデル | 工夫したこと |
|---|---|
| VQ-VAE | 潜在変数を離散値で表現する。コードブックによる量子化で高品質な画像生成を実現 |
| info VAE | 潜在変数と入力の相互情報量を最大化し、情報量の豊富な潜在表現を学習する |
| β-VAE | 損失のKL項に係数βを掛け、潜在変数の独立性（disentanglement）を強く促す |
「VQ＝離散化」「info＝相互情報量」「β＝独立性」と名前から連想できるようにしておくと確実です。
なぜ改良が必要だったのか
通常のVAEは、生成される画像がぼやけやすいという弱点がありました。また潜在変数の各次元が何を表すのか解釈しづらいという課題もありました。
VQ-VAEは前者に、β-VAEは後者に対応した改良だと位置づけると流れが理解しやすくなります。
なぜ離散化すると良いのか
VQ-VAEが潜在変数を離散値にするのは、言語や記号のように「とびとび」の性質を持つ対象と相性が良いためです。
また連続的な潜在空間で起きがちな出力のぼやけを抑えられるという利点もあります。高品質な画像生成につながったのはこのためです。
🎯 G検定での押さえどころ
- VQ-VAE＝潜在変数の離散化
- info VAE＝相互情報量の最大化
- β-VAE＝独立性（disentanglement）の促進
⚠️ よくある誤りの選択肢
- 「β-VAEは潜在変数を離散値で表現する」→ 誤り。それはVQ-VAEです
- 「VQ-VAEはKL項に係数を掛ける手法である」→ 誤り。それはβ-VAE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。