GAN と VAE の違い（生成モデル比較）は関連概念を切り分けるための考え方です。この記事では仕組み・役割・使いどころを押さえ、G検定で問われる判断ポイントとひっかけポイントを解説します。

gk neural_network generative_model cheatsheet

G検定トップ ＞ GAN と VAE の違い（生成モデル比較）

まず結論

  • GAN：リアルな画像生成が得意（対戦学習）
  • VAE：安定した学習・潜在空間の扱いやすさが強み
  • 画質重視 → GAN / 理論・安定性 → VAE

👉 G検定では
「対戦か？確率モデルか？」 で切る。

直感的な説明

GAN

偽物を作る人（Generator）と見破る人（Discriminator）の対決

  • だんだん騙すのが上手くなる
  • 見た目がリアルになりやすい

VAE

データを一度圧縮して、そこから再構成する

  • 「似たもの」を連続的に生成できる
  • 理論的に整理されている

定義・仕組み

GAN（Generative Adversarial Network）

  • Generator：偽データを生成
  • Discriminator：本物か偽物か判定
  • ミニマックス問題（対戦学習）

👉
確率分布を 暗黙的に学習

VAE（Variational Autoencoder）

  • Encoder：データ → 潜在変数
  • Decoder：潜在変数 → データ
  • 確率モデル + 変分推論

👉
潜在空間を 明示的に学習

最大の違い（ここが狙われる）

観点 GAN VAE
学習方法 対戦学習 確率モデル
学習安定性 不安定 安定
生成画像 高品質 ややぼやける
潜在空間 扱いにくい 連続的で扱いやすい
理論的保証 弱い 強い

いつ使う？（得意・不得意）

GAN が向く場面

  • 写真のようにリアルな画像生成
  • 高品質な見た目が重要
  • アート・顔生成・画像拡張

VAE が向く場面

  • 潜在空間の操作
  • 異常検知
  • データ生成の安定性重視

G検定ひっかけポイント

❌ よくある誤解

  • ❌ 「GANは確率モデル」
  • ❌ 「VAEは対戦学習」
  • ❌ 「VAEの方が画質が良い」

✅ 正しい理解

  • GAN：対戦・高画質・不安定
  • VAE：確率・安定・ぼやけやすい

試験での即断フレーズ

  • 「対戦学習」 → GAN
  • 「確率モデル」 → VAE
  • 「高品質画像生成」 → GAN
  • 「潜在変数・変分推論」 → VAE

まとめ（試験直前用）

  • GANとVAEは 生成モデル
  • 仕組みが根本的に違う
  • 画質重視：GAN
  • 理論・安定性：VAE

👉 次は
Diffusion Model（拡散モデル）
を押さえると、最新トレンドまでカバーできます。

🔗 関連記事

🏠 G検トップに戻る