---
title: "変分オートエンコーダ（VAE）とは？【生成モデルの基本｜G検定対策】"
description: "変分オートエンコーダ（VAE）について、G検定で問われる生成モデル分野の観点から、生成や表現学習での役割、モデル構造、学習方法の違いを整理します。暗記だけでなく、似た概念との混同を避ける見分け方や、選択肢を切るためのポイントも確認します。具体例や典型的なひっかけも意識して、試験でどの知識として使うかを押さえます。"
canonical_url: "https://stemtazoo.github.io/gk/vae/"
section: "gk"
---

## まず結論
- **変分オートエンコーダ（VAE：Variational Autoencoder）**とは、  
  **入力データの確率分布を学習し、その分布に基づいて新しいデータを生成する生成モデル**である。  
- G検定では「**GANとの違い**」「**分布を学習する点**」がよく問われる。

## 直感的な説明
VAEは、  
「**データの置かれやすい場所（分布）を学習して、そこから新しいデータを作る**」モデル。

- 入力データをそのまま覚える ❌  
- データが現れやすい **確率分布** を覚える ⭕  

👉 「このあたりにデータがありそうだな」という**地図**を学習して、  
👉 その地図から新しい点をサンプリングするイメージ。

## 定義・仕組み
### 基本構造
VAEは **オートエンコーダ型** のモデルで、次の2つから構成される。

- **エンコーダ**  
  入力データ → 潜在変数の「分布（平均・分散）」を出力
- **デコーダ**  
  潜在変数 → 元のデータを復元・生成

### 通常のオートエンコーダとの違い
- 通常のAE：  
  潜在変数は「1点」
- VAE：  
  潜在変数は「**確率分布**」

👉 このため **滑らかにデータ生成が可能**。

## いつ使う？（得意・不得意）
### 得意
- データ生成
- ノイズ除去
- 次元削減（生成的な意味で）
- 潜在空間の構造理解

### 不得意・注意点
- 生成結果がややぼやけやすい
- 高精細な画像生成はGANに劣る場合がある

## G検定ひっかけポイント
ここが**最重要**👇

### ❌ VAEはジェネレータとディスクリミネータを使う
- **誤り**
- それは **GAN** の特徴

### ❌ VAEは分類モデルである
- **誤り**
- SVMなどの説明

### ⭕ 正しい判断基準
- 「確率分布を学習」→ VAE
- 「潜在変数が分布」→ VAE
- 「生成モデル」→ VAE

### GANとの違い（頻出）
- VAE：分布を直接学習・安定
- GAN：敵対的学習・高品質だが不安定

## まとめ（試験直前用）
- VAE＝確率分布を学習する生成モデル
- オートエンコーダの拡張
- 潜在変数は分布（平均・分散）
- GANとは構造も学習方法も違う
- **「分布」＝VAE**