生成AIパスポート用語解説

VAE（変分自己符号化器）とは

観測データから潜在変数の近似的な分布を推論するエンコーダと、その潜在変数から元データに近いデータを復元するデコーダを組み合わせ、再パラメータ化によって学習する生成モデル。

まず押さえる結論

VAE（変分自己符号化器）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）」に出てくる用語です。見分けの要点は、GAN（敵対的生成ネットワーク）は、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わせて学習します。VAEは、観測データから潜在変数の分布を推論するエンコーダと、その潜在変数から元データに近いデータを復元するデコーダを組み合わせて学習し、2つのネットワークを競わせる仕組みは持ちません。

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）

VAE（変分自己符号化器）の具体例と、問題文で見る箇所・隣接概念との境界

生成器・識別器を競わせるのではなく、エンコーダとデコーダで潜在変数の分布を学習し元データを復元する生成モデルとして捉える

観測データをエンコーダに通すと、そのデータがどのような潜在変数の分布から生まれたかを近似的に推論します。続けてデコーダが、その潜在変数から元のデータに近いデータを生成します。GAN（敵対的生成ネットワーク）のように生成器と識別器を競わせるのではなく、再パラメータ化という工夫によって、確率的な潜在変数を含む目的関数を勾配法で最適化できるようにしている点が識別材料です。

問題文で見る箇所: 「エンコーダ」「デコーダ」「潜在変数」「再パラメータ化」という語の組み合わせを確認します。「生成器」「識別器」「競わせる」という語があれば、VAEではなくGAN（敵対的生成ネットワーク）を候補にします。
隣接概念との境界: GAN（敵対的生成ネットワーク）は、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わせて学習します。VAEは、観測データから潜在変数の分布を推論するエンコーダと、その潜在変数から元データに近いデータを復元するデコーダを組み合わせて学習し、2つのネットワークを競わせる仕組みは持ちません。

誤答しやすい選択肢

VAEを、生成器と識別器を競わせて学習する仕組みとして説明する。これはGAN（敵対的生成ネットワーク）の学習方法です。
エンコーダが入力データをそのまま複製して出力すると説明する。エンコーダが行うのは潜在変数の近似的な分布への変換で、復元を担うのはデコーダです。
再パラメータ化を、生成されたデータの品質を判定する仕組みとして説明する。再パラメータ化は、確率的な潜在変数を含む目的関数を勾配法で最適化できるようにする工夫です。

4段階の判断手順

01設問が2つのネットワークを競わせる説明か、エンコーダとデコーダを組み合わせる説明かを分ける。
02競わせる記述があればGAN（敵対的生成ネットワーク）、潜在変数の分布を推論・復元する記述があればVAEと判断する。
03エンコーダが担う推論とデコーダが担う復元の役割が入れ替わっていないか確認する。
04再パラメータ化が品質判定ではなく最適化の工夫として説明されているか見直す。

到達条件: VAEをエンコーダとデコーダで潜在変数の分布を学習・復元する生成モデルとして説明し、生成器と識別器を競わせるGAN（敵対的生成ネットワーク）と区別できる。

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

「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）。