変分オートエンコーダ (VAE)とは
VAEとは、潜在変数が確率分布に従うように学習する生成モデルであり、新しいデータを生成できる点が特徴です。損失関数は再構成誤差とKLダイバージェンスから構成されます。
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
潜在空間を確率分布として学習することで、新しいデータを作り出せるオートエンコーダです。
通常のオートエンコーダとの違い
通常のオートエンコーダは、入力を1つの点に圧縮します。そのため潜在空間には「何もない隙間」ができ、適当な点から復元しても意味のあるデータになりません。
VAEは1つの点ではなく確率分布（平均と分散）として表現します。これによって潜在空間が連続的で滑らかになり、サンプリングによる生成が可能になります。
2つの損失
- 再構成誤差：入力をどれだけ正確に復元できたか
- KLダイバージェンス：潜在変数の分布が目標の分布からどれだけずれているか（正則化の役割）
この2つのバランスが重要で、KL項の係数を強めたものがβ-VAEです。
GANとの違い
同じ生成モデルでも、GANは生成器と識別器を競わせて学習します。一般にGANのほうが鮮明な画像を作れる一方、VAEは学習が安定しやすく潜在空間が扱いやすいという特徴があります。
再パラメータ化トリック
確率分布からサンプリングする操作はそのままでは微分できず、誤差逆伝播が使えません。
そこでノイズを外から与える形に式を変形し、微分できる形にする工夫が使われます。これが再パラメータ化トリックです。G検定では名称レベルで押さえておけば十分です。
混同しやすい用語との違い
| 用語 | ポイント |
|---|---|
| VAE | 潜在変数を確率分布に。学習が安定。潜在空間が扱いやすい |
| 通常のオートエンコーダ | 潜在変数は1点。生成には向かない |
| GAN | 生成器と識別器を競わせる。鮮明だが学習が不安定 |
🎯 G検定での押さえどころ
- 潜在変数を確率分布として学習する
- 損失は再構成誤差＋KLダイバージェンス
- 新しいデータを生成できる
⚠️ よくある誤りの選択肢
- 「VAEの潜在変数は1つの点として表現される」→ 誤り。確率分布として表現します
- 「VAEの損失は再構成誤差のみである」→ 誤り。KLダイバージェンスも含みます
📘 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。