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: 2026-08-31。
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
VAEの学習で、確率的な潜在変数をそのまま扱う代わりに、入力とは独立なノイズとエンコーダが出す値を組み合わせて潜在変数を表す主な目的はどれか。
正解は「確率的な潜在変数を含む目的を勾配法で最適化できる形にするため」です。VAEの原論文が示す再パラメータ化では、潜在変数の確率的な標本化を入力とは独立なノイズへ分け、エンコーダが出す値との決定的な変換として表す。これにより、確率的な潜在変数を含む変分下限の推定量を通常の確率的勾配法で最適化しやすくなる。識別器と生成器の競合はGAN、系列を順番に処理するのはRNN、局所特徴の畳み込みはCNNの仕組みであり、いずれもVAEでノイズを分けて表す目的ではない。
第2章 生成AI（ジェネレーティブAI） / 生成AIの誕生まで
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。
第2章 生成AI（ジェネレーティブAI） / 生成AIの誕生まで
入力データをエンコーダで潜在ベクトルに圧縮し、デコーダで元のデータを復元するように学習する生成モデルはどれか。
正解は「VAE（変分自己符号化器）」である。VAEは、エンコーダで入力データを潜在ベクトルへ圧縮し、デコーダでそこから元のデータに近い形を復元するように学習する生成モデルである。問題文の「エンコーダで潜在ベクトルに圧縮」「デコーダで元のデータを復元」という2条件は、VAEの構造そのものを指している。LSTM（長・短期記憶）は長期的な依存関係を記憶しながら系列データを処理するモデル、Transformerモデルは自己注意力を中核として入力全体の関係性を扱うモデル、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であり、いずれも潜在ベクトルを介した圧縮と復元を主な学習目的とする構造ではない。
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）