生成AIパスポート 用語解説
生成器とは
GAN（敵対的生成ネットワーク）の一部で、ランダムな値などから本物らしいデータを作り出すネットワーク。識別器を欺けるよう学習が進む。
まず押さえる結論
生成器は、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: 2026-06-27。
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
文章や時系列のような順序のある系列データ（シーケンスデータ）を、隠れ層（リカレント層）で前の情報を保持しながら順に処理していくニューラルネットワークはどれか。
正解は「RNN（回帰型ニューラルネットワーク）」である。RNNは、隠れ層（リカレント層）で前の情報を保持しながら、文章や時系列のような順序のある系列データ（シーケンスデータ）を順に処理していくニューラルネットワークである。問題文の「隠れ層（リカレント層）」「前の情報を保持」「順に処理」という条件は、RNNの構造そのものである。CNN（畳み込みニューラルネットワーク）はフィルタによる畳み込みで画像の局所的な特徴を抽出するモデル、GAN（敵対的生成ネットワーク）は生成器と識別器という2つのネットワークを競わせる方式、VAE（変分自己符号化器）はエンコーダ・デコーダと潜在ベクトルで復元する方式であり、いずれも隠れ層で前の情報を保持しながら系列を順に処理する仕組みではない。
第2章 生成AI（ジェネレーティブAI） / 生成AIの誕生まで
生成モデルの初期に登場した確率的なモデルで、ユニット間の結合の一部を制限した「制約付き」と呼ばれる形が知られているものはどれか。
正解は「ボルツマンマシン」である。生成モデルの初期に登場した確率的なモデルで、ユニット間の結合を一部制限した制約付きボルツマンマシンという形で知られているのがボルツマンマシンである。Transformerモデルは自己注意力を中核とするモデル、GAN（敵対的生成ネットワーク）は生成器と識別器を競わせる方式、自己回帰モデルは直前までの出力から次を予測する方式であり、いずれも『制約付き』の形で知られる初期の確率的モデルではない。GAN・自己回帰モデル・Transformerモデルは、それぞれ生成器と識別器の競合、直前出力からの予測、自己注意力という異なる仕組みを持つ点で、結合を制限した初期の確率的モデルとは系統が異なる。
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。
同じ章で確認したい用語
到達チェック
- 生成器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、生成器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）