AI資格ドリル
資格を選ぶ↓

用語比較

GANとVAEの違い

GANとVAEは、どちらも学習データに似たデータを新しく作る生成モデルです。ただし、学習の進め方がまったく異なります。GANは二つのモデルを競わせて学習し、VAEは潜在変数を持つ確率モデルを変分推論という方法で学習します。

G検定では、生成モデルの名前だけを並べた選択肢から、説明文に合うものを選ぶ設問が出ます。二つのモデルが敵対的に競い合うのがGAN、潜在変数の確率分布を近似推論で学習するのがVAE、と覚えると、説明文の主語で判定できます。

このページでは、学習の仕組み、構成要素、潜在変数の扱いという三つの軸で両者を比較します。選択肢の中のキーワードから判定する手順と、取り違えやすい点まで、試験で使える形に整理します。

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
GANの生成モデルGと識別モデルD、ミニマックスゲームの説明は、GANの原論文（arXiv:1406.2661）を2026-10-08に、VAEの潜在変数と近似推論モデルの説明は、VAEの原論文（arXiv:1312.6114）の要旨を2026-10-01に照合しています。
編集部が学習用に整理した内容
説明文の主役、識別モデルの有無、潜在変数と近似推論の語、名前の語という順に選択肢を判定する手順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。

GAN

データを作る生成モデルGと、本物か偽物かを見分ける識別モデルDを同時に訓練する。Gは、Dが間違える確率を最大にするように学習する。

VAE

データ点ごとの連続な潜在変数を持つ確率モデルを、近似推論モデル（認識モデル）をニューラルネットワークで構成して学習する。

違いを表で確認

比較軸GANVAE
学習の考え方二人のプレイヤーが競うミニマックスゲーム事後分布を近似する変分推論
構成するモデル生成モデルG と 識別モデルD近似推論モデル（認識モデル）と 生成側の確率モデル
Gに相当する側の目的Gの訓練手順は、Dが間違える確率を最大にすること競い合う相手はなく、事後分布の近似推論を学習する
推論と訓練の道具GとDが多層パーセプトロンなら、誤差逆伝播法で訓練でき、マルコフ連鎖も近似推論ネットワークも不要データ点ごとの連続な潜在変数について、近似推論モデルを学習する
試験でよく付く名前DCGAN、CycleGAN変分オートエンコーダ、オートエンコーダの系統
選択肢で探すキーワード敵対的、識別モデル、ミニマックス潜在変数、近似推論、変分

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。

PR
深層学習教科書 ディープラーニング G検定（ジェネラリスト）公式テキスト 第3版 の表紙深層学習教科書 ディープラーニング G検定（ジェネラリスト）公式テキスト 第3版試験を実施する日本ディープラーニング協会が監修した公式テキストです。Amazonで見る

ほかの資格を含む参考書・問題集の一覧を見る

どこで迷っているかを切り分ける

01

生成モデルの名前を一括りで覚えている人

GANもVAEも画像を生成できると覚えていると、説明文の違いに気づけません。設問は、学習の仕組みの違いを手がかりに出ます。敵対的という語があればGAN、潜在変数と近似推論の語があればVAEと、まず語で分けます。

02

オートエンコーダとVAEを混同する人

VAEは名前にオートエンコーダを含みますが、データ点ごとの連続な潜在変数を持つ確率モデルとして学習する点が決め手です。単に入力を圧縮して復元するだけの説明なら、VAEとは限りません。確率モデルであることを示す語があるかを確認します。

03

GANのGとDの役割を取り違える人

Gは訓練データに似たデータを作る生成モデルで、Dは標本がGから来たのか訓練データから来たのかを見分ける識別モデルです。役割を入れ替えた選択肢は、学習の目的ごと誤りになります。

具体例で使い分ける

編集部の整理

例 1

説明文に『二つのモデルを同時に訓練』とある場合

ある生成モデルについて、データを作るモデルと見分けるモデルを同時に訓練する、という説明が与えられています。

  • データを作るモデルが生成モデルG、標本の出どころを見分けるモデルが識別モデルDです。
  • Gの訓練手順は、Dが間違える確率を最大にすることです。この構図は二人のプレイヤーによるミニマックスゲームに対応します。
  • 二つのモデルの競い合いが学習の中心なので、GANと判断できます。

結論: 生成モデルと識別モデルの同時訓練が出たら、GANを選びます。

例 2

説明文に『連続な潜在変数』『近似推論』とある場合

データ点ごとの連続な潜在変数を持つ確率モデルで、事後分布が扱えない場合にも推論と学習を行う、という説明です。

  • 事後分布が扱えない場合の推論は、近似推論モデル（認識モデル）を学習して補います。
  • この近似推論モデルをニューラルネットワークで構成した場合が、変分オートエンコーダです。
  • 識別モデルとの競い合いは説明に出てこないので、GANではありません。

結論: 潜在変数と近似推論が主役の説明なら、VAEを選びます。

例 3

選択肢に『敵対的』と『変分』が並ぶ場合

生成モデルの名前と説明を結びつける設問で、敵対的、変分の二語が別々の選択肢に入っています。

  • 敵対的生成ネットワークは、GとDが競う構図そのものを名前にしています。
  • 変分オートエンコーダの変分は、変分推論の変分です。事後分布を近似する手法を指します。
  • 名前の中の語が学習方法を表しているため、語の意味から対応を決められます。

結論: 敵対的はGAN、変分はVAEと、名前の語から学習方法へ結びつけます。

問題文から答えを選ぶ手順

編集部の整理：説明文の主役、識別モデルの有無、潜在変数と近似推論の語、名前の語という順に選択肢を判定する手順は編集部の学習上の整理です。

  1. 1

    説明文の主役を探す

    二つのモデルが競う話ならGAN、潜在変数の確率分布を推論する話ならVAEです。どちらもデータを生成できるので、生成できるかどうかでは見分けられません。

  2. 2

    識別モデルの有無を確認する

    標本が本物か生成物かを見分ける識別モデルDが出てくるならGANです。出てこないなら、VAEなど別のモデルの説明を疑います。

  3. 3

    潜在変数と近似推論の語を確認する

    データ点ごとの連続な潜在変数、近似推論、認識モデルという語があればVAEです。

  4. 4

    名前の語で最終確認する

    名前に「敵対的」が付くのがGAN、「変分」が付くのがVAEです。名前そのものが学習方法を表すため、答えの見直しに使えます。

試験での見分け方

編集部の整理

  • 1生成モデルGと識別モデルDを同時に訓練するのはGAN。
  • 2Gの目的がDの誤りを最大にすることなのはGAN。
  • 3二人のプレイヤーによるミニマックスゲームに対応するのはGAN。
  • 4データ点ごとの連続な潜在変数を持つ確率モデルを扱うのはVAE。
  • 5事後分布が扱えない場合に近似推論モデルを学習するのはVAE。
  • 6名前の敵対的はGAN、変分はVAEに対応する。

誤答しやすい選択肢

どちらも同じ仕組みで画像を作ると考える

修正: 共通点はデータを生成することだけです。GANは生成モデルと識別モデルの競い合い、VAEは潜在変数を持つ確率モデルの近似推論という別の仕組みです。

GANの識別モデルがデータを作ると思う

修正: データを作るのは生成モデルGです。識別モデルDは、標本が訓練データから来たのか、Gから来たのかを見分けます。

オートエンコーダと書いてあれば確率モデルではないと決める

修正: VAEは変分オートエンコーダの略で、データ点ごとの連続な潜在変数を持つ確率モデルを学習します。名前にオートエンコーダが入っていても、確率モデルとして扱う点が違いです。

DCGANやCycleGANをVAEの仲間と考える

修正: 名前にGANを含むDCGANとCycleGANは、GANの系統です。VAEの派生ではありません。

確認問題

Q1データを作る生成モデルと、標本が本物か生成されたかを見分ける識別モデルを同時に訓練する手法はどちらですか？

答え: GAN（敵対的生成ネットワーク）

GANは生成モデルGと識別モデルDを同時に訓練します。Gは、Dが間違える確率を最大にするよう学習します。

Q2データ点ごとの連続な潜在変数を持つ確率モデルで、近似推論モデルをニューラルネットワークで構成した手法はどちらですか？

答え: VAE（変分オートエンコーダ）

原論文は、事後分布が扱えない場合にも効率よく推論と学習を行う方法を示し、近似推論モデルをニューラルネットワークで構成した場合を変分オートエンコーダと呼んでいます。

Q3『二人のプレイヤーによるミニマックスゲームに対応する』という枠組みはどちらですか？

答え: GAN（敵対的生成ネットワーク）

GANの原論文の抄録は、GとDの訓練が二人のプレイヤーによるミニマックスゲームに対応すると述べています。

到達チェック

  • GANの生成モデルGと識別モデルDの役割を説明できる
  • VAEが持つ連続な潜在変数と近似推論モデルを説明できる
  • 説明文の主役からGANとVAEを判定できる
  • 敵対的と変分という名前の語から、学習方法へ結びつけられる
  • DCGANとCycleGANがGANの系統だと答えられる

関連ページで確認する

同じ資格で次に知りたいこと

よくある質問

QGANとVAEは、どちらも生成モデルですか？

A

はい。どちらも学習データに似たデータを生成するモデルです。ただし、学習の仕組みが異なります。

QGANの生成モデルGは何を目指して学習しますか？

A

原論文の抄録では、Gの訓練手順は識別モデルDが間違える確率を最大にすることだと述べられています。

QVAEの『変分』は何を指しますか？

A

原論文は確率的変分推論アルゴリズムを提案しており、変分は事後分布が扱えない場合の近似推論の方法を指します。

Q試験中に二つを最短で見分ける方法は？

A

説明文に識別モデルや敵対的という語があればGAN、潜在変数や近似推論という語があればVAEと判定します。

次に見る比較

シェア:XでシェアLINEでシェア

執筆: ミナト編集部（運営者情報を見る）