用語比較
生成モデルと識別モデルの違い｜同時確率を学ぶか、ラベルの確率を直接学ぶか（G検定）
生成モデルと識別モデルは、データのどの確率を学ぶかで分かれます。生成モデルは入力xとラベルyの同時確率p(x, y)を学び、識別モデルは入力が与えられたときのラベルの確率p(y|x)を直接学びます。
「生成モデル」という言葉は、画像や文章を作るAIの意味でも使われます。そのため、分類の分野の「生成モデル」と取り違えやすい用語です。このページでは、確率の学び方という意味から整理し、GANで生成モデルと識別モデルが組み合わさる場面まで確認します。
根拠は、Ng・Jordanの論文『On Discriminative vs. Generative Classifiers』（NIPS 2001）と、GANの原論文（Goodfellowら、arXiv:1406.2661）です。同時確率を学ぶなら生成モデル、p(y|x)を直接学ぶなら識別モデルと覚えると整理できます。
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。
結論
生成モデル
入力xとラベルyの同時確率p(x, y)のモデルを学び、ベイズの定理でp(y|x)を計算して、最も確からしいラベルを選ぶ。ナイーブベイズが例。
識別モデル
事後確率p(y|x)を直接モデル化するか、入力からクラスのラベルへの写像を直接学ぶ。ロジスティック回帰が例。
GANでの役割
GANは2つのモデルを同時に訓練する。データの分布を捉える生成モデルGと、標本が訓練データ由来かGの出力かの確率を推定する識別モデルD。
違いを表で確認
| 比較軸 | 生成モデル | 識別モデル |
|---|---|---|
| 学ぶ確率 | 生成モデル：入力xとラベルyの同時確率p(x, y) | 識別モデル：事後確率p(y|x)、または入力からラベルへの写像 |
| ラベルを決める手順 | 生成モデル：p(x, y)からベイズの定理でp(y|x)を計算し、最も確からしいラベルを選ぶ | 識別モデル：p(y|x)を直接求め、最も確からしいラベルを選ぶ |
| 代表的な例 | 生成モデル：ナイーブベイズ分類器 | 識別モデル：ロジスティック回帰。論文は、離散の入力ではナイーブベイズとロジスティック回帰が生成と識別の対をなすと述べる |
| 学習データが増えたときの誤差（ナイーブベイズとロジスティック回帰の対の場合） | 生成モデル：漸近誤差は高いが、その誤差に少ないデータで近づく場合がある | 識別モデル：漸近誤差が低い |
| 性能の優劣 | 生成モデル：データが少ない領域では、識別モデルより良い場合がある | 識別モデル：データが多い領域では、生成モデルより良い。常に識別モデルが良いとは言えない |
| GANでの役割 | 生成モデルG：データの分布を捉える。Gの訓練は、Dが間違える確率を最大にすること | 識別モデルD：標本が訓練データ由来か、Gの出力かの確率を推定する |
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
「p(x, y)を学ぶ」という記述を見た人
入力とラベルの同時確率を学ぶのは生成モデルです。そこからベイズの定理でp(y|x)を求めて分類します。
「識別モデルのほうが常に高精度」と書かれた選択肢を見た人
論文は、識別モデルが常に好ましいという通説に反して、学習データの量しだいで生成モデルが良い領域もあると示しています。「常に」と言い切る選択肢は疑います。
GANの構成をおさらいしたい人
GANのGは生成モデル、Dは識別モデルです。Dは本物かGの出力かを見分け、Gはその見分けを間違えさせる方向に訓練されます。
画像生成AIの意味の「生成モデル」と混ざる人
分類の分野での「生成モデル」は、同時確率を学ぶ考え方を指します。画像を作るGANも、生成モデルGがデータの分布を捉える点では同じ考え方です。
具体例で使い分ける
例 1
ナイーブベイズとロジスティック回帰の対
同じ分類の課題に、生成モデルのナイーブベイズと、識別モデルのロジスティック回帰を使います。
- ナイーブベイズは、ラベルyの確率p(y)と、yを与えたときの各入力の確率p(xi|y)の推定値を使い、同時確率を作ります。
- ロジスティック回帰は、p(y|x)を直接モデル化します。論文は、入力が離散のとき、この2つが生成と識別の対をなすと述べます。
結論: 同じ種類の確率モデルを、同時確率の側から学ぶか、条件付き確率の側から学ぶかの違いです。
例 2
学習データの量で優劣が入れ替わる例
学習データを少しずつ増やしながら、ナイーブベイズとロジスティック回帰の誤差を比べます。
- 識別モデルのロジスティック回帰は、漸近誤差（データが十分に多いときの誤差）が低いです。
- 生成モデルのナイーブベイズは、漸近誤差は高いものの、その誤差にずっと少ないデータで近づく場合があります。
結論: データが少ない領域では生成モデルが良く、多い領域では識別モデルが良いという2つの領域が現れうる、というのが論文の主張です。
問題文から答えを選ぶ手順
- 1
何の確率を学ぶかを読む
同時確率p(x, y)なら生成モデル、事後確率p(y|x)なら識別モデルです。
- 2
分類の話か、データを作る話かを分ける
ラベルを予測する話なら、ナイーブベイズとロジスティック回帰の関係で読みます。データを作る話なら、GANやVAEなど、データの分布を学ぶ手法の話です。
- 3
優劣の記述に「常に」がないか見る
誤差の優劣は学習データの量で変わる、と論文は述べます。常にどちらかが良いという記述は誤りと疑います。
- 4
GANが出たらGとDを分ける
Gは生成モデル、Dは識別モデルです。役割を取り違えない読み方をします。
試験での見分け方
- 1p(x, y)を学ぶのは生成モデル、p(y|x)を直接学ぶのは識別モデル。
- 2ナイーブベイズは生成モデル、ロジスティック回帰は識別モデルの例。
- 3識別モデルが常に良いとは言えない。データが少ない領域では生成モデルが良い場合がある。
- 4GANのGが生成モデル、Dが識別モデル。
誤答しやすい選択肢
識別モデルのほうが必ず精度が高いと考える
修正: 識別モデルは漸近誤差が低いものの、生成モデルは少ないデータでその（より高い）漸近誤差に近づく場合があります。データの量しだいです。
生成モデルは画像や文章を作るAIのことだけだと考える
修正: 分類の分野では、入力とラベルの同時確率を学ぶモデルを指します。ナイーブベイズも生成モデルです。
GANのDを生成モデルだと考える
修正: GANでは、データの分布を捉えるのが生成モデルG、標本が訓練データ由来かを見分けるのが識別モデルDです。
確認問題
Q1生成型の分類器が学ぶのは、どんな確率のモデル？
答え: 入力xとラベルyの同時確率p(x, y)
Ng・Jordanの論文の冒頭に、生成型の分類器は同時確率p(x, y)のモデルを学び、ベイズの規則でp(y|x)を計算すると書かれています。
Q2識別型の分類器は、何をモデル化する？
答え: 事後確率p(y|x)、または入力からクラスのラベルへの直接の写像
同じ論文の冒頭に、識別型の分類器は事後確率p(y|x)を直接モデル化するか、入力からラベルへの直接の写像を学ぶと書かれています。
Q3GANの2つのモデルのうち、識別モデルはどちら？
答え: D（標本が訓練データ由来かGの出力かの確率を推定する）
GANの原論文の要旨に、Gはデータの分布を捉える生成モデル、Dは標本がGではなく訓練データから来た確率を推定する識別モデルと書かれています。
到達チェック
- 生成モデルが同時確率p(x, y)、識別モデルが事後確率p(y|x)を学ぶと言える
- ナイーブベイズとロジスティック回帰がそれぞれどちらか言える
- GANのGとDの役割を言える
関連ページで確認する
同じ資格で次に知りたいこと
- オートエンコーダと主成分分析（PCA）の違い｜どちらも次元削減だが、線形か非線形かで選ぶ（G検定）
オートエンコーダと主成分分析（PCA）の違いを、線形と非線形、特異値分解と損失の最小化、両者が一致する条件で整理。G検定での判断手順と確認問題つき。
- 正解率とF値（F1）の違い｜偏ったデータでF1を見る理由（G検定・DS検定）
正解率とF値（F1）の違いを、式・真陰性を使うかどうか・陽性が少ないデータでの数値の差で整理。計算例と確認問題つき。G検定・DS検定の評価指標の判断に使える。
- G検定のオンライン試験と会場試験の違い｜時間・割引・キャンセル・当日の持ち物
G検定のオンライン試験と会場試験（Onsite）の違いを、JDLA公式で整理。試験時間は100分と120分、問題数は同じ145問程度。割引はオンラインのみ、キャンセル期限は前々日と3日前、電卓は持ち込み不可。
よくある質問
Q生成モデルと識別モデルは、どちらが精度が高い？
一概には言えません。論文は、識別モデルは漸近誤差が低い一方、生成モデルは少ないデータで近づく場合があり、データの量で優劣が入れ替わりうると述べます。
Qナイーブベイズは生成モデル？
はい。論文は、ナイーブベイズを生成型の分類器、ロジスティック回帰をその識別側の対として比べています。
QGANは生成モデルと識別モデルのどちら？
両方を使います。データの分布を捉える生成モデルGと、標本の由来を見分ける識別モデルDを同時に訓練します。
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）