G検定 用語解説
Adversarial Attack（Adversarial Examples）とは
画像などの入力データに人間にはほとんど気づけないわずかな変化を意図的に加え、AIモデルに誤った認識をさせる攻撃・入力。生成器と識別器を競わせて学習するGAN（敵対的生成ネットワーク）とは異なり、既存のAIモデルを欺くための入力の加工を指す。
まず押さえる結論
Adversarial Attack（Adversarial Examples）は、G検定の「大項目10 AI倫理・AIガバナンス」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-07-03。
試験概要（公式）試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×データバイアスとアルゴリズムバイアスの区別（偏りの原因がデータ側かアルゴリズム側か）。
×フィルターバブル（アルゴリズムによる個人化で偏る）とエコーチェンバー（同じ意見が集団内で増幅）の混同。
×AI事業者ガイドライン・AI新法・EU AI Act・OECD AI原則・広島AIプロセスの主体と性質の取り違え（指針か法律か、国内か国際か）。
関連する確認問題
大項目10 AI倫理・AIガバナンス / バイアスと信頼性
AIモデルの学習・判断の仕組み自体に内在し、開発者が意図しない形で生じる判断の偏りと、第三者が入力データに人間には気づけないほどわずかな変更を意図的に加えてAIの判断を誤らせる行為を比べたとき、前者を指す語として最も適切なものはどれか。
正解は「アルゴリズムバイアス」である。原因と意図の有無を分けると判断できる。設計や学習の仕組みに内在して意図せず生じる偏りがアルゴリズムバイアス、第三者が入力を意図的に変える行為がAdversarial Attackである。学習データ側の偏りはデータバイアス、攻撃やノイズに耐える性質はロバスト性を指す。偏りの発生源がアルゴリズム側かデータ側かを確認し、さらに意図的な攻撃と耐性の性質を別軸に置くと、四つの概念を混同せず選べる。問われるのは防御性能ではなく偏りを生む仕組みである。
同じ章で確認したい用語
到達チェック
- Adversarial Attack（Adversarial Examples）を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、Adversarial Attack（Adversarial Examples）に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）