Skip to the content.

最終更新日:2026年9月23日

まず結論

VAE(Variational Autoencoder:変分オートエンコーダ)は、潜在変数を確率分布として扱う確率的生成モデルです。

G検定では、

  • Encoderが潜在分布のパラメータを出す
  • 潜在変数をサンプリングする
  • Decoderがデータを再構成・生成する
  • 再構成と潜在分布の正則化を同時に学習する

という流れを押さえます。

直感的な説明

通常のオートエンコーダは、入力を潜在空間の1点へ圧縮するイメージです。

VAEでは、

この入力は潜在空間のこのあたりにありそう

という分布として表します。

その分布から潜在変数をサンプリングしてDecoderへ渡すことで、新しいデータを生成できます。

定義・仕組み

Encoder

Encoderは入力 x から、潜在変数 z の分布を近似するためのパラメータを出力します。

代表的には、

  • 平均
  • 分散(または対数分散)

を出力します。

Decoder

Decoderは潜在変数 z から、元データ x を生成・再構成する確率モデルを表します。

再パラメータ化トリック

単純なランダムサンプリングを途中に入れると、勾配をそのまま伝えにくくなります。

VAEでは、確率的な部分をノイズ変数として分離する再パラメータ化トリックを使い、勾配法で学習できるようにします。

損失の考え方

VAEでは大きく、

  • 再構成:入力をうまく復元できるか
  • KLダイバージェンス:潜在分布を事前分布へ近づける

という2つをバランスさせます。

数式そのものより、

復元だけでなく、潜在空間を確率分布として整える

ことを押さえます。

いつ使う?(得意・不得意)

VAEは、

  • データ生成
  • 潜在表現の学習
  • 異常検知
  • 表現学習

などに利用されます。

生成品質について、

VAEは必ずぼやける

GANは必ずVAEより高品質

と固定的に覚えるのは避けます。

モデル構造や学習目的によって結果は変わるため、G検定では仕組みの違いで切り分けます。

G検定ひっかけポイント

VAE=通常のAE?

❌ 潜在変数を1つの決定的な値として扱うだけ
⭕ 潜在変数を確率分布として扱う

VAE=GAN?

❌ GeneratorとDiscriminatorを競わせる
⭕ Encoder / Decoderと確率的潜在変数を使う

VAE=入力データそのものの分布を直接覚える?

❌ 入力分布を単純に丸暗記する
⭕ 潜在変数モデルとして、近似事後分布と生成モデルを学習する

再パラメータ化

❌ 分類精度を上げる正則化手法
⭕ 確率的なサンプリングを含んだまま勾配学習しやすくする工夫

まとめ(試験直前用)

  • VAE=確率的潜在変数モデル
  • Encoder → 潜在分布のパラメータ
  • 潜在変数をサンプリング
  • Decoder → 再構成・生成
  • 再パラメータ化トリック
  • 再構成+KLダイバージェンス
  • GANの敵対的学習とは別物
  • 性能順位ではなく仕組みで判断する

参考資料

© 2024-2026 stemtazoo. All rights reserved.