生成AIパスポート 用語解説
潜在ベクトルとは
エンコーダが入力データの特徴を圧縮して作り出す、数値の並びとして表される内部表現。潜在変数とも呼ばれ、デコーダはこの潜在ベクトルを受け取って元のデータに近い形へ復元する。
まず押さえる結論
潜在ベクトルは、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）具体例から判断の境界を固める
変換する処理（エンコーダ・デコーダ）ではなく、変換された結果として得られる内部表現そのものとして捉える
VAE（変分自己符号化器）でエンコーダが入力データを処理すると、そのデータの特徴を圧縮した数値の並びが得られます。この数値の並びが潜在ベクトル（潜在変数）です。潜在ベクトルそのものは元データと同じ形をしておらず、デコーダがこの潜在ベクトルを受け取って初めて、元のデータに近い形へ復元されます。エンコーダ・デコーダが「変換する処理」であるのに対し、潜在ベクトルは処理の結果として存在する「内部表現」という点が識別材料です。
- 問題文で見る箇所
- 「特徴を圧縮した数値の並び」「エンコーダとデコーダの間に位置する内部表現」という記述を確認します。データを圧縮・復元する処理そのものの説明であれば、潜在ベクトルではなくエンコーダ・デコーダを候補にします。
- 隣接概念との境界
- エンコーダは入力データを潜在ベクトルへ変換する処理、デコーダは潜在ベクトルを元データに近い形へ復元する処理です。潜在ベクトルは、この2つの処理の間に存在する、特徴を圧縮した数値の並びという内部表現そのものを指し、処理そのものとは区別されます。
誤答しやすい選択肢
- 潜在ベクトルを、入力データを圧縮する処理そのものとして説明する。圧縮する処理を担うのはエンコーダで、潜在ベクトルはその処理結果である内部表現です。
- 潜在ベクトルを、元データと同じ形式・同じ次元を持つデータであるとする。潜在ベクトルは特徴を圧縮した内部表現であり、元データそのものの複製ではありません。
- 潜在ベクトルをデコーダが作り出すものとして説明する。潜在ベクトルを作り出すのはエンコーダで、デコーダはその潜在ベクトルを受け取って元データに近い形へ復元する側です。
4段階の判断手順
- 01設問が、データを変換する処理（エンコーダ・デコーダ）を問うているか、処理の結果である内部表現を問うているかを先に分ける。
- 02内部表現であれば、特徴を圧縮した数値の並びという説明になっているかを確認する。
- 03潜在ベクトルを作るのがエンコーダ側、受け取って復元するのがデコーダ側という順序が入れ替わっていないか見直す。
到達条件: 潜在ベクトルを、エンコーダが特徴を圧縮して作りデコーダが復元に使う内部表現として、エンコーダ・デコーダという処理そのものと区別して説明できる。
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
Transformerモデルで、入力された単語の並び順（位置）の情報をモデルに伝えるために加えられる仕組みを何というか。
正解は「位置エンコーディング」である。Transformerモデルにおいて、単語の並び順（位置）の情報をモデルに伝えるために加えられる仕組みが位置エンコーディングである。自己注意力（Self-Attention）は入力中の要素どうしの関係に重みづけする仕組み、畳み込みはCNNで局所的な特徴を抽出する処理、潜在ベクトルはVAEなどでデータを圧縮した表現であり、いずれも位置の情報を伝える仕組みではない。自己注意力・畳み込み・潜在ベクトルは、それぞれ関係の重みづけ、局所特徴の抽出、データの圧縮表現という別の役割を持つ点で、並び順の情報を伝える位置エンコーディングとは機能が異なる。
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
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
- 潜在ベクトル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、潜在ベクトル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）