生成AIパスポート 用語解説
デコーダとは
エンコーダが作った潜在ベクトルを受け取り、そこから元のデータに近い形へ復元して出力する、VAE（変分自己符号化器）などの後半部分。
まず押さえる結論
デコーダは、生成AIパスポートの「第2章 生成AI（ジェネレーティブAI）」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: 2026-08-31。
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
×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
GANで生成器と識別器を同時に学習させるとき、両者へ与えるデータと更新の目的を正しく表す手順はどれか。
正解は「識別器は訓練データと生成器の候補の由来を見分けるよう更新し、生成器は識別器の誤判定を増やすよう更新する」です。GANの原論文では、識別器Dは標本が訓練データ由来か生成器G由来かの確率を推定し、生成器GはDが誤る確率を高めるよう学習する。この二つの目的を対立させるため、Dには実データと生成候補の双方が必要になる。候補だけを見せる手順や両者を固定する手順では対立学習が成立しない。エンコーダとデコーダで潜在表現を扱う手順はVAE側であり、識別器を用いるGANのデータフローとは別である。
第2章 生成AI（ジェネレーティブAI） / 生成AIの誕生まで
VAEで、観測データを受け取り、そのデータに対応する潜在変数の近似的な分布を推論する側はどれか。
正解は「エンコーダ」です。VAEでは、エンコーダに当たる認識モデルが観測データを受け取り、そのデータに対応する潜在変数の近似事後分布を推論する。デコーダに当たる生成モデルは逆向きに、潜在変数から観測データの分布を表す。生成器と識別器はGANの対立学習を構成する役割である。設問では、処理の向きが観測データから潜在側へ進むことを確認すると、デコーダとの取り違えを防げる。入力と出力の向きを矢印で整理し、観測データ→潜在側ならエンコーダ、潜在側→観測データならデコーダと対応させる。
第2章 生成AI（ジェネレーティブAI） / 生成AIの誕生まで
2つのネットワークを競い合わせることで本物らしいデータを生成する、生成器と識別器から成るモデルはどれか。
正解は「GAN（敵対的生成ネットワーク）」である。GANは、データを作り出す生成器と、本物か偽物かを見分ける識別器という2つのネットワークを競わせて学習する生成モデルである。問題文の「2つのネットワークを競い合わせる」「生成器」「識別器」という条件は、GANの学習方式そのものを指している。RNN（回帰型ニューラルネットワーク）は時系列データを順に処理するモデル、LSTM（長・短期記憶）はRNNを改良して長期的な依存関係を記憶できるようにしたモデルで、いずれも系列処理が中心であり生成器と識別器という対立構造を持たない。VAE（変分自己符号化器）はエンコーダで潜在ベクトルへ圧縮し、デコーダで復元する単一の構造で学習する生成モデルであり、2つのネットワークを競わせる方式ではない。
同じ章で確認したい用語
到達チェック
- デ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、デ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
執筆: ミナト編集部（運営者情報を見る）