生成AIパスポート 用語解説
エンコーダとは
VAE（変分自己符号化器）などの生成モデルで、入力されたデータを受け取り、その特徴を圧縮した潜在ベクトルへと変換する前半部分。
エンコーダの意味と見分け方
エンコーダは、生成AIパスポートの「第2章 生成AI（ジェネレーティブAI）」に出てくる用語です。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。
公式シラバス（PDF）（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
「第2章 生成AI（ジェネレーティブAI）」の問題で、取り違えやすい組み合わせです。
- ハルシネーション・アライメント・ファインチューニングの取り違え。事実と異なるもっともらしい出力＝ハルシネーション、人間の意図に沿わせること＝アライメント、追加学習で調整＝ファインチューニング。
- GANとVAEの混同。GANは生成器と識別器を競わせる方式、VAEはエンコーダ・デコーダと潜在ベクトルを使う方式。
- Transformerの中核を畳み込みや位置エンコーディングと取り違える。中核は自己注意（Self-Attention）。
関連する確認問題
第2章 生成AI（ジェネレーティブAI） / 生成AIの誕生まで
生成モデルであるGAN（敵対的生成ネットワーク）とVAE（変分自己符号化器）の違いの説明として、最も適切なものはどれか。
正解は「GANは生成器と識別器を競わせて学習し、VAEはエンコーダとデコーダと潜在ベクトルを用いて学習する」である。GAN（敵対的生成ネットワーク）は、本物らしいデータを作る生成器と、本物か偽物かを見分ける識別器を競い合わせて学習する。一方、VAE（変分自己符号化器）は、エンコーダで入力を潜在ベクトルに圧縮し、デコーダで復元する構造を用いて学習する。両者の構成要素を入れ替えた説明や、識別専用・学習なしとする説明は誤り。GAN側の「生成器と識別器」、VAE側の「エンコーダ・潜在ベクトル・デコーダ」を一組ずつ固定すると、入れ替えた選択肢を除ける。どちらも生成モデルであり、学習を行う点も同時に確認する。
第2章 生成AI（ジェネレーティブAI） / 生成AIの誕生まで
BERTモデルとその関連概念に関する次の説明のうち、誤っているものはどれか。
正解は「NSP（Next Sentence Prediction）とは、BERTモデルのパラメータ数を削減し、軽量化・効率化を図った派生モデルである」（誤り）である。NSPは、与えられた2つの文が文章内で連続しているかどうかを判定させる事前学習タスクであり、設問の説明はALBERTの定義をNSPに誤って当てはめている。MLM・RoBERTa・ALBERTの説明はいずれも正しい。BERTはTransformerの一部（エンコーダ）を用いた双方向の文脈理解に強みを持つモデルとして知られる。
第2章 生成AI（ジェネレーティブAI） / 生成AIの誕生まで
文章の前後関係を双方向から捉えるため、一部の単語を隠して元の語を予測する学習を使うモデルに関する次の説明のうち、誤っているものはどれか。
この事例では「マスクした語の予測を用いるBERTか」がポイントになる。正解は「NSP（Next Sentence Prediction）とは、BERTモデルのパラメータ数を削減し、軽量化・効率化を図った派生モデルである」（誤り）である。NSPは、与えられた2つの文が文章内で連続しているかどうかを判定させる事前学習タスクであり、設問の説明はALBERTの定義をNSPに誤って当てはめている。MLM・RoBERTa・ALBERTの説明はいずれも正しい。BERTはTransformerの一部（エンコーダ）を用いた双方向の文脈理解に強みを持つモデルとして知られる。
同じ章で確認したい用語
到達チェック
- エンコーダ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、エンコーダ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
用語を体系的に学べる書籍（Amazon）
PR
執筆: AI資格ドリル編集部（運営者情報を見る）