---
title: "CAE（畳み込みオートエンコーダ）とは？G検定対策"
description: "CAE（畳み込みオートエンコーダ）を、画像の特徴学習・圧縮・復元を行うモデルとして整理します。CNN、通常のAE、CAM/Grad-CAMとの違い、Encoder/Decoder構造、潜在表現や異常検知での使いどころ、G検定で「復元」か「可視化」かを見分けるひっかけポイントを確認できます。"
last_modified_at: "2026-06-22"
canonical_url: "https://stemtazoo.github.io/gk/cae/"
section: "gk"
---

## まず結論

* **CAE（Convolutional Autoencoder）**は、畳み込み層を使って画像を圧縮し、復元するオートエンコーダです。
* G検定では、**CAE＝特徴学習・圧縮・復元**、**CAM/Grad-CAM＝判断根拠の可視化**と切り分けます。

## 直感的な説明

CAEは、画像をいったん小さく要約してから、元の画像に戻す練習をするモデルです。

たとえば顔画像なら、ピクセルを丸暗記するのではなく、

* 輪郭
* 目や口の位置
* 模様やエッジ

のような**画像らしい局所パターン**を保ちながら圧縮します。復元できるように学習する過程で、画像の特徴表現を獲得します。

## 定義・仕組み

オートエンコーダは、入力を低次元の表現に圧縮する **Encoder** と、そこから入力を復元する **Decoder** で構成されます。

CAEでは、このEncoderとDecoderに畳み込み層を使います。

| 構成 | 役割 |
|---|---|
| Encoder | 畳み込みなどで画像特徴を抽出し、圧縮表現にする |
| 潜在表現 | 入力画像の要点を持つ小さな表現 |
| Decoder | 圧縮表現から画像を復元する |

通常の全結合型オートエンコーダより、CAEは画像の**位置関係・局所構造**を扱いやすい点が特徴です。

## いつ使う？（得意・不得意）

### 得意なこと

* 画像データの特徴抽出
* 画像の次元削減
* ノイズ除去や異常検知の前処理
* ラベルが少ない場面での表現学習

### 苦手・注意点

* 分類モデルそのものとは限らない
* 予測理由をヒートマップで説明する手法ではない
* 画像以外の表形式データでは、畳み込みの利点が出にくい場合がある

## G検定ひっかけポイント

CAEは、名前が似ている **CAM** と混同されやすいです。

| 用語 | 何をするか | 判断キーワード |
|---|---|---|
| CAE | 画像を圧縮して復元し、特徴を学ぶ | Autoencoder、復元、潜在表現 |
| CAM / Grad-CAM | 分類判断に効いた画像領域を可視化する | ヒートマップ、重要領域、説明可能性 |
| CNN | 畳み込みで画像特徴を抽出する一般的なモデル | 畳み込み、プーリング、分類 |

選択肢に**「畳み込みを使って入力画像を復元する」**とあればCAEです。一方、**「分類根拠を可視化する」「どこを見て判断したかを示す」**とあればCAM/Grad-CAMを疑います。

## まとめ（試験直前用）

* CAE＝畳み込みを使うオートエンコーダ
* 目的は画像の特徴学習・圧縮・復元
* CNNの畳み込み構造を、AEのEncoder/Decoderに使う
* CAM/Grad-CAMは可視化手法で、CAEとは別物
* 「復元」ならCAE、「ヒートマップ」ならCAM/Grad-CAM