用語比較
オートエンコーダとVAEの違い（圧縮して復元する仕組みと、確率分布で生成する仕組み）
オートエンコーダは、入力を符号に変換するエンコーダと、符号から入力を再構成するデコーダでできたニューラルネットワークです。VAEは、その構成を潜在変数を持つ確率モデルとして捉え直し、符号を確率分布で扱って新しいデータを生成できるようにしたものです。
G検定では、説明文から圧縮して復元するのが目的か、確率分布を学習して生成するのが目的かを読み分ける設問が出ます。VAE の名前に「オートエンコーダ」が入っているため、両者を同じものと取り違える人が多い分野です。
このページでは、目的、符号の扱い、学習で見る基準という三つの軸でオートエンコーダとVAEを比較します。GANとの違いは別のページで扱います。
この記事の根拠と出典
各セクションの見出しの下に、公式資料で確認した内容か編集部の整理かをラベルで示しています。 試験日・料金・申込条件・試験方式は変わることがあるため、申込前に公式サイトで確認してください。G検定の一次情報確認日: 2026-10-02。
- 公式一次資料と照合した内容
- オートエンコーダがエンコーダとデコーダからなり、符号の次元を入力より小さくしたものが不完備オートエンコーダであること、従来は次元削減や特徴学習に使われたこと、VAEが潜在変数を持つ確率モデルで確率的エンコーダ・デコーダを持ち、変分下界のKLダイバージェンスの項が正則化と解釈できることは、書籍『Deep Learning』第14章とVAEの原論文（arXiv:1312.6114）へ2026-10-12に照合しています。
- 編集部が学習用に整理した内容
- 試験での判定手順と使い分けの目安は編集部の学習上の整理です。
資格ごとの公式資料の一覧
結論
公式一次資料と照合：用語の定義は公式一次資料と照合しています。
オートエンコーダ
入力を符号に変換するエンコーダ h=f(x) と、符号から再構成 r=g(h) を作るデコーダからなる。符号の次元を入力より小さくすると、顕著な特徴を捉える次元圧縮になる。
VAE（変分オートエンコーダ）
データ点ごとの連続な潜在変数を持つ確率モデル。エンコーダとデコーダを確率分布を返す確率的なものとして学習し、実データに似た人工データを生成できる。
違いを表で確認
| 比較軸 | オートエンコーダ | VAE（変分オートエンコーダ） |
|---|---|---|
| 主な目的 | 従来は次元削減や特徴学習。入力の再構成を通して有用な符号を得る | 潜在変数を持つ生成モデルとして、実データに似たデータを生成する |
| エンコーダとデコーダ | 決定論的な関数 h=f(x) と r=g(h) | 確率的エンコーダ q(z|x) と確率的デコーダ p(x|z)（分布を返す） |
| 符号の扱い | 隠れ層の値（符号）として扱う | 潜在変数 z の分布として扱う |
| 学習で見る基準 | 入力と再構成の差を測る損失（平均二乗誤差など）の最小化 | 変分下界。再構成の期待対数尤度と、事前分布に近づける KL ダイバージェンスの項の和 |
| 選択肢で探すキーワード | 符号、再構成、次元圧縮、不完備 | 潜在変数、確率分布、変分下界、KLダイバージェンス、生成 |
公式一次資料と照合：G検定: 2026-10-02に一次資料で確認一次資料の一覧を見る →
G検定の学習に使う書籍（Amazon）
試験範囲を通して読むときの1冊です。読んだ章は、このサイトの章別問題で確かめられます。
どこで迷っているかを切り分ける
VAE をオートエンコーダの名前違いだと思っている人
書籍『Deep Learning』は、オートエンコーダを入力を出力へ写し取ろうと訓練されるニューラルネットワークと述べ、VAE を、潜在変数を持つ生成モデルをオートエンコーダの一形態と見なせる例として挙げます。エンコーダとデコーダの構成は共通ですが、VAE は確率分布を扱う点が異なります。
オートエンコーダの出力が最終目的だと思っている人
同書は、通常はデコーダの出力自体には関心がなく、入力を写し取る課題を訓練することで符号が有用な性質を持つことを期待すると述べます。符号の次元を入力より小さくしたものが不完備オートエンコーダです。
VAE の損失の意味が分からない人
VAE の原論文は、変分下界を、再構成の期待対数尤度と、近似事後分布を事前分布に近づけるKLダイバージェンスの項で書き、後者を正則化と解釈できると述べます。
具体例で使い分ける
編集部の整理
例 1
『符号の次元を入力より小さくして、顕著な特徴を捉えさせる』という説明が出た場合
選択肢に、不完備オートエンコーダ、GAN、VAE、主成分分析が並んでいます。
- 符号の次元を入力の次元より小さくしたオートエンコーダを、不完備（undercomplete）オートエンコーダと呼びます。
- 学習データの最も顕著な特徴を捉えさせる、という説明が対応します。
- 確率分布や生成の語は説明に含まれていません。
結論: 不完備オートエンコーダ（符号を圧縮するオートエンコーダ）と答えます。
例 2
『潜在変数の分布を学習し、実データに似たデータを生成できる』という説明が出た場合
選択肢に、オートエンコーダ、VAE、主成分分析、k-means法が並んでいます。
- データ点ごとの連続な潜在変数を持つ確率モデルを、近似推論で学習するのが VAE です。
- パラメータが分かれば、隠れた確率過程を模して実データに似た人工データを生成できます。
- 決定論的に復元するだけの説明ではありません。
結論: VAE（変分オートエンコーダ）と答えます。
例 3
『損失に、近似事後分布を事前分布に近づける項を含む』という説明が出た場合
再構成の項に加えて、KLダイバージェンスの項が説明に含まれています。
- KLダイバージェンスの項は、近似事後分布が事前分布に近づくよう促す正則化と解釈されます。
- 再構成の差だけで学習するオートエンコーダには、この項はありません。
- 再構成の期待対数尤度とKLダイバージェンスの項を合わせたものが変分下界です。
結論: VAE の学習の基準だと答えます。
問題文から答えを選ぶ手順
編集部の整理：試験での判定手順と使い分けの目安は編集部の学習上の整理です。
- 1
目的を読む
圧縮・特徴抽出・再構成なら、オートエンコーダです。生成や確率分布の学習が出てくれば、VAE を疑います。
- 2
符号の扱いを確認する
符号が一つの値なら通常のオートエンコーダ、潜在変数の分布として扱われるなら VAE です。
- 3
損失の説明を確認する
入力との差だけならオートエンコーダ、KLダイバージェンスや変分下界が出れば VAE です。
- 4
敵対的という語を確認する
生成モデルと識別モデルを競わせる仕組みが説明に出る場合は、どちらでもなく GAN です。
試験での見分け方
編集部の整理
- 1オートエンコーダは、符号を作るエンコーダと、符号から再構成するデコーダからなる。
- 2符号の次元を入力より小さくしたものを、不完備オートエンコーダと呼ぶ。
- 3従来のオートエンコーダは、次元削減や特徴学習に使われてきた。
- 4VAE は、データ点ごとの連続な潜在変数を持つ確率モデルで、エンコーダとデコーダが確率分布を返す。
- 5VAE の変分下界は、再構成の期待対数尤度と、事前分布に近づける KL ダイバージェンスの項からなる。
誤答しやすい選択肢
VAE とオートエンコーダを同じものとして答える
修正: 構成は似ていますが、VAE は潜在変数を確率分布で扱う生成モデルです。
オートエンコーダが必ず次元を圧縮すると考える
修正: 符号の次元を入力より小さくしたものが不完備オートエンコーダです。小さくすること自体が構成の選択です。
VAE の学習に敵対的な学習が必要だと考える
修正: 識別モデルと競う学習は GAN の特徴です。VAE は変分下界を基準にします。
KLダイバージェンスの項を再構成の誤差だと考える
修正: 近似事後分布を事前分布に近づける正則化の項で、再構成の項とは別です。
確認問題
Q1オートエンコーダは、どの2つの部分からなるニューラルネットワークですか？
答え: エンコーダとデコーダ
書籍『Deep Learning』は、エンコーダ関数 h=f(x) と、再構成 r=g(h) を作るデコーダの2つの部分からなると述べています。
Q2符号の次元を入力の次元より小さくしたオートエンコーダを何と呼びますか？
答え: 不完備（undercomplete）オートエンコーダ
同書は、符号の次元が入力の次元より小さいオートエンコーダをこう呼ぶと述べています。
Q3VAE の学習で、近似事後分布を事前分布に近づける働きを持つ項は何ですか？
答え: KLダイバージェンスの項
VAE の原論文は、この項を近似事後分布が事前分布に近づくよう促す正則化と解釈できると述べています。
到達チェック
- オートエンコーダがエンコーダとデコーダからなると説明できる
- 不完備オートエンコーダの意味を言える
- VAE が潜在変数を確率分布で扱う生成モデルだと言える
- KLダイバージェンスの項の働きを説明できる
- 敵対的という語が出たときは GAN と判断できる
関連ページで確認する
同じ資格で次に知りたいこと
- バイアスとバリアンスの違い
バイアスとバリアンスの違いを、誤差の原因、学習標本を変えたときの予測の動き、未学習・過学習との対応、G検定での判断手順と確認問題まで解説します。
- k近傍法とk-means法の違い（既知ラベルを使う分類と、ラベルなしで分けるクラスタリング）
k近傍法とk-means法の違いを、学習にラベルが要るか、kが何を表すか、予測と群分けの手順、G検定での判断手順と確認問題まで解説します。名前が似ていて取り違えやすい二つの手法を整理します。
- 主成分分析とクラスタリングの違い
主成分分析（PCA）とクラスタリング（k-means法）の違いを、出力の形、目的、使い分けと併用、G検定での判断手順と確認問題まで解説します。
よくある質問
QオートエンコーダとVAEの最大の違いは何ですか？
オートエンコーダは符号から入力を再構成する決定論的な構成です。VAE は潜在変数を確率分布で扱い、実データに似たデータを生成できる確率モデルです。
Q不完備オートエンコーダとは何ですか？
符号の次元を入力の次元より小さくしたオートエンコーダです。学習データの最も顕著な特徴を捉えさせられます。
QVAE の損失にKLダイバージェンスの項があるのはなぜですか？
近似事後分布を事前分布に近づける正則化として働くためです。
Qオートエンコーダは何に使われてきましたか？
従来は、次元削減や特徴学習に使われてきました。
次に見る比較
- G検定・DS検定・統計検定2級で重なる用語10語の比較
同じ名前の用語の定義と収録章を、資格ごとに並べます。
- ベイズの定理と条件付き確率の違い（統計検定2級の式と計算例）
求める確率の向きの違いと、陽性になる確率の計算例を確かめます。
- 紛らわしい用語ペア早見表
混同しやすい用語の違いと判定の手掛かりを、資格別の一覧で確かめます。
執筆: ミナト編集部（運営者情報を見る）