AIの基礎と歴史
VAE・GANと識別系AI・生成系AIの違い
VAE(変分オートエンコーダ)は、エンコーダで入力を潜在変数(潜在ベクトル)の分布に写し、デコーダでデータに戻すように学ぶ生成モデルで、生成するときは潜在変数の分布から取り出した値をデコーダに通します。GAN(敵対的生成ネットワーク)は、本物らしいデータを作る生成器と、本物か生成されたものかを見分ける識別器を競わせて学びます。入力が何かを見分け・予測する識別系AIと、新しいデータを作る生成系AIの違い、生成AIの悪用であるディープフェイクを押さえると解けます。
要点 8件・基本問題 8問読む → 覚える → 解くまでこのページで完結

VAE(変分オートエンコーダ)は、エンコーダで入力を潜在変数(潜在ベクトル)の分布に写し、デコーダでデータに戻すように学ぶ生成モデルで、生成するときは潜在変数の分布から取り出した値をデコーダに通します。GAN(敵対的生成ネットワーク)は、本物らしいデータを作る生成器と、本物か生成されたものかを見分ける識別器を競わせて学びます。入力が何かを見分け・予測する識別系AIと、新しいデータを作る生成系AIの違い、生成AIの悪用であるディープフェイクを押さえると解けます。
このサイトでの学習
学習優先度 A対応する一問一答 13問
VAE・GANと識別系AI・生成系AIの違い|オートエンコーダ
オートエンコーダは、入力を出力に写し取るように学ぶニューラルネットワークで、入力を表す符号(コード)を作るエンコーダと、符号から入力を作り直すデコーダの2つの部分からなる。次元削減や特徴の学習に使われてきた。
比較して覚える
VAEとGAN:2つの生成モデルの仕組み
VAEとGANを、構成・学び方・生成のしかたで並べます。エンコーダとデコーダからなるVAEと、生成器と識別器を競わせるGANを取り違える肢を切り分けられます。
| 事由 | VAE(変分オートエンコーダ) | GAN(敵対的生成ネットワーク) |
|---|---|---|
| 構成 | エンコーダ(入力→潜在変数)とデコーダ(潜在変数→データ) | 生成器(Generator)と識別器(Discriminator) |
| 学び方 | 入力を潜在変数の分布に写し、そこから取り出した値(ノイズを含む)でデータを作り直せるように学ぶ | 識別器は本物と生成物を見分けるように、生成器は識別器が誤るように、競わせて同時に学ぶ |
| 生成のしかた | 潜在変数の分布から値を取り出し、デコーダ(生成のネットワーク)に通す | 生成器が入力の値(潜在変数)からデータを直接作る |
| 特徴 | 画像で学習すると、生成した画像がややぼやけやすい(2016年刊の『Deep Learning』が主な弱点に挙げる) | 理想の状態では生成物は本物と見分けがつかず、識別器はどこでも2分の1を出す |
| 提案 | 2013年(Kingma と Welling) | 2014年(Goodfellow ら) |
| 身近なたとえ | 文書を要点メモに縮め、メモから書き起こす | 偽札を作る人と見破る鑑定士の競い合い |
構成
- VAE(変分オートエンコーダ)
- エンコーダ(入力→潜在変数)とデコーダ(潜在変数→データ)
- GAN(敵対的生成ネットワーク)
- 生成器(Generator)と識別器(Discriminator)
学び方
- VAE(変分オートエンコーダ)
- 入力を潜在変数の分布に写し、そこから取り出した値(ノイズを含む)でデータを作り直せるように学ぶ
- GAN(敵対的生成ネットワーク)
- 識別器は本物と生成物を見分けるように、生成器は識別器が誤るように、競わせて同時に学ぶ
生成のしかた
- VAE(変分オートエンコーダ)
- 潜在変数の分布から値を取り出し、デコーダ(生成のネットワーク)に通す
- GAN(敵対的生成ネットワーク)
- 生成器が入力の値(潜在変数)からデータを直接作る
特徴
- VAE(変分オートエンコーダ)
- 画像で学習すると、生成した画像がややぼやけやすい(2016年刊の『Deep Learning』が主な弱点に挙げる)
- GAN(敵対的生成ネットワーク)
- 理想の状態では生成物は本物と見分けがつかず、識別器はどこでも2分の1を出す
提案
- VAE(変分オートエンコーダ)
- 2013年(Kingma と Welling)
- GAN(敵対的生成ネットワーク)
- 2014年(Goodfellow ら)
身近なたとえ
- VAE(変分オートエンコーダ)
- 文書を要点メモに縮め、メモから書き起こす
- GAN(敵対的生成ネットワーク)
- 偽札を作る人と見破る鑑定士の競い合い
比較して覚える
識別系AIと生成系AI
入力が何かを見分けたり予測したりする識別系AIと、新しいデータを作り出す生成系AIを並べます。分類をするAIを生成系と取り違える肢を切り分けられます。
| 事由 | 識別系AI | 生成系AI |
|---|---|---|
| 何をするか | 入力が何に当たるかを見分ける・予測する・判断する | 文章・画像・プログラムなどの新しいデータを作り出す |
| 例 | 画像の物体認識(分類)、迷惑メールの判定、数値の予測(回帰) | 文章の生成、画像の生成 |
| 代表的な仕組み・モデル | 教師あり学習の分類・回帰、CNNによる画像認識 | VAE、GAN、Transformerを使った言語モデル、拡散モデル |
| GANの中での役 | 識別器(本物か生成物かを見分ける)が識別の役 | 生成器(本物に似たデータを作る)が生成の役 |
何をするか
- 識別系AI
- 入力が何に当たるかを見分ける・予測する・判断する
- 生成系AI
- 文章・画像・プログラムなどの新しいデータを作り出す
例
- 識別系AI
- 画像の物体認識(分類)、迷惑メールの判定、数値の予測(回帰)
- 生成系AI
- 文章の生成、画像の生成
代表的な仕組み・モデル
- 識別系AI
- 教師あり学習の分類・回帰、CNNによる画像認識
- 生成系AI
- VAE、GAN、Transformerを使った言語モデル、拡散モデル
GANの中での役
- 識別系AI
- 識別器(本物か生成物かを見分ける)が識別の役
- 生成系AI
- 生成器(本物に似たデータを作る)が生成の役
この論点の用語
用語集をすべて見る →01VAE・GANと識別系AI・生成系AIの違いの重要暗記項目
VAE・GANと識別系AI・生成系AIの違い|オートエンコーダ
オートエンコーダは、入力を出力に写し取るように学ぶニューラルネットワークで、入力を表す符号(コード)を作るエンコーダと、符号から入力を作り直すデコーダの2つの部分からなる。次元削減や特徴の学習に使われてきた。
VAE・GANと識別系AI・生成系AIの違い|VAEの学習と生成
VAEは、学習ではエンコーダが入力から潜在変数を求め、デコーダが潜在変数からデータを作り直すように学ぶ。新しいデータを生成するときは、潜在変数の分布から値を取り出し、生成のネットワーク(デコーダ)に通す。
VAE・GANと識別系AI・生成系AIの違い|生成はデコーダで
VAEで新しいデータを作るのは、潜在変数の分布から取り出した値を受け取るデコーダ(生成のネットワーク)である。
ひっかけ注意「VAEで新しいデータを生成するときは、エンコーダだけを使い、デコーダは使わない」は誤り。 「エンコーダだけを使い、デコーダは使わない」の部分が違う。VAEで新しいデータを作るのは、潜在変数(データの特徴を表す数値の組)を受け取るデコーダ(生成のネットワーク)である(『Deep Learning』)。エンコーダは学習のときに入力を潜在変数に変えるのに使う。要点のメモから文章を書き起こすのがデコーダの役目で、生成ではこちらを使う。
VAE・GANと識別系AI・生成系AIの違い|エンコーダとデコーダ
エンコーダはデータを潜在変数(符号)に変え、デコーダは潜在変数からデータを作り出す。
ひっかけ注意「VAEでは、デコーダがデータを潜在変数に変える役割を持ち、潜在変数からデータを作り出すのはエンコーダの役割である」は誤り。 エンコーダとデコーダの役割が逆である。『Deep Learning』は、VAEの学習ではエンコーダが入力から潜在変数を求め、潜在変数からデータを作る側をデコーダとしている。エンコーダは「符号にする」、デコーダは「戻す(データにする)」役目である。暗号にたとえると、文を暗号に変えるのがエンコード、暗号から文に戻すのがデコードである。
VAE・GANと識別系AI・生成系AIの違い|潜在変数は分布で表す
VAEのエンコーダは、入力を潜在変数の1つの値に決めるのではなく確率の分布として表し、学習ではその分布からノイズ(ばらつき)を含めて取り出した潜在変数を使う。
VAE・GANと識別系AI・生成系AIの違い|VAEの画像はぼやけやすい
2016年刊の『Deep Learning』は、画像で学習したVAEが生成する画像がややぼやけやすいことを、VAEの主な弱点に挙げている。
VAE・GANと識別系AI・生成系AIの違い|GANの仕組み
GANは、本物に似たデータを作る生成器(Generator)と、データが学習データ由来か生成器由来かを見分ける識別器(Discriminator)を、競わせながら同時に学習させる(2014年に Goodfellow らが提案)。
VAE・GANと識別系AI・生成系AIの違い|生成器の目標
GANの生成器は、識別器が見分けを誤る確率が大きくなるように学ぶ。本物と生成物を正しく見分けようとするのは識別器である。
ひっかけ注意「GANの生成器は、識別器が本物と生成物を正しく見分けられる確率が大きくなるように学習する」は誤り。 「正しく見分けられる確率が大きくなるように」の部分が違う。GANの論文は、生成器は識別器が誤る確率を最大にするように学ぶとしている。正しく見分けようとするのは識別器の側である。偽札づくりにたとえると、生成器の目標は鑑定士をだますことで、鑑定士が見破りやすくなるように作るわけではない。
覚える数字と、狙われる引っかけ
- ひっかけ「VAEで新しいデータを生成するときは、エンコーダだけを使い、デコーダは使わない」は誤り。「エンコーダだけを使い、デコーダは使わない」の部分が違う。VAEで新しいデータを作るのは、潜在変数(データの特徴を表す数値の組)を受け取るデコーダ(生成のネットワーク)である(『Deep Learning』)。エンコーダは学習のときに入力を潜在変数に変えるのに使う。要点のメモから文章を書き起こすのがデコーダの役目で、生成ではこちらを使う。
- ひっかけ「VAEでは、デコーダがデータを潜在変数に変える役割を持ち、潜在変数からデータを作り出すのはエンコーダの役割である」は誤り。エンコーダとデコーダの役割が逆である。『Deep Learning』は、VAEの学習ではエンコーダが入力から潜在変数を求め、潜在変数からデータを作る側をデコーダとしている。エンコーダは「符号にする」、デコーダは「戻す(データにする)」役目である。暗号にたとえると、文を暗号に変えるのがエンコード、暗号から文に戻すのがデコードである。
- ひっかけ「GANの生成器は、識別器が本物と生成物を正しく見分けられる確率が大きくなるように学習する」は誤り。「正しく見分けられる確率が大きくなるように」の部分が違う。GANの論文は、生成器は識別器が誤る確率を最大にするように学ぶとしている。正しく見分けようとするのは識別器の側である。偽札づくりにたとえると、生成器の目標は鑑定士をだますことで、鑑定士が見破りやすくなるように作るわけではない。
- ひっかけ「GANは、エンコーダとデコーダの2つの部分からなり、入力を潜在変数に変えてから元のデータに作り直すように学習する」は誤り。エンコーダとデコーダからなる仕組みとしている点が誤りである。入力を潜在変数に変えてから作り直すように学ぶのはVAE(オートエンコーダ)で、GANは生成器と識別器の2つのネットワークを競わせて学ぶ(GANの論文、『Deep Learning』)。「符号にして戻す」のがVAE、「作る側と見破る側が競う」のがGAN、と覚え分けるとよい。
- ひっかけ「入力された画像に写っているのが猫か犬かを見分けるAIは、生成系AIに当たる」は誤り。「生成系AIに当たる」の部分が違う。画像が猫か犬かを見分けるのは、入力がどの種類に当たるかを答える分類(『Deep Learning』)で、識別系AIの働きである。生成系AIは、文章・画像・プログラムなどの新しいデータを作り出すAIである(AI事業者ガイドライン)。猫の絵を新しく描くAIなら、生成系に当たる。
- ひっかけ「AIで作った偽の画像や動画であるディープフェイクは、これまでに実際の情報操作に使われた例は報告されていない」は誤り。「実際の情報操作に使われた例は報告されていない」の部分が違う。AI事業者ガイドライン(第1.2版)別添は、ディープフェイク(AIで作った本物そっくりの偽の画像・動画など)は各国で悪用例が相次ぎ、偽画像・偽動画を使った情報操作が起きているとし、生成AIで作られた偽画像がSNSで広まり平均株価が一時下落した事例を挙げている。
02試験で正誤を分けるチェック順
- 1オートエンコーダは、入力を出力に写し取るように学ぶニューラルネットワークで、入力を表す符号(コード)を作るエンコーダと、符号から入力を作り直すデコーダの2つの部分からなる。次元削減や特徴の学習に使われてきた。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 2VAEは、学習ではエンコーダが入力から潜在変数を求め、デコーダが潜在変数からデータを作り直すように学ぶ。新しいデータを生成するときは、潜在変数の分布から値を取り出し、生成のネットワーク(デコーダ)に通す。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 3VAEで新しいデータを作るのは、潜在変数の分布から取り出した値を受け取るデコーダ(生成のネットワーク)である。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 4エンコーダはデータを潜在変数(符号)に変え、デコーダは潜在変数からデータを作り出す。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 5VAEのエンコーダは、入力を潜在変数の1つの値に決めるのではなく確率の分布として表し、学習ではその分布からノイズ(ばらつき)を含めて取り出した潜在変数を使う。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 62016年刊の『Deep Learning』は、画像で学習したVAEが生成する画像がややぼやけやすいことを、VAEの主な弱点に挙げている。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 7GANは、本物に似たデータを作る生成器(Generator)と、データが学習データ由来か生成器由来かを見分ける識別器(Discriminator)を、競わせながら同時に学習させる(2014年に Goodfellow らが提案)。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 8GANの生成器は、識別器が見分けを誤る確率が大きくなるように学ぶ。本物と生成物を正しく見分けようとするのは識別器である。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 9GANの学習が理想の状態に達すると、生成器のデータは本物と見分けがつかなくなり、識別器はどの入力にも2分の1を出す。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 10GANは生成器と識別器の2つのネットワークを競わせて学ぶ。エンコーダとデコーダからなり、入力を潜在変数に変えてから作り直すように学ぶのはVAEである。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 11識別系AIは、入力が何に当たるかを見分けたり、予測・判断したりするAIで、生成系AI(生成AI)は、文章・画像・プログラムなどの新しいデータを作り出すAIである。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 12入力が何に当たるかを見分ける(分類する)AIは識別系AIで、新しいデータを作り出すAIが生成系AIである。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 13ディープフェイク(AIで作った偽の画像・動画など)は各国で悪用例が相次ぎ、偽画像・偽動画を使った情報操作が発生し、生成AIで作られた偽画像がSNSで拡散して株価が一時下落した事例もある(AI事業者ガイドライン別添)。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
03この論点の根拠
- 内容の基準日
- 2026-11-20
- 復習方法
- 要点を確認した後、○×一問一答で条件の違いを見分ける
法改正により扱いが変わる場合があります。試験日程や申込みに関する情報は、 必ず公式案内も確認してください。
問題演習
VAE・GANと識別系AI・生成系AIの違いの○×一問一答
1/8問解答 0・正解 0
AIの基礎と歴史
VAE・GANと識別系AI・生成系AIの違い|オートエンコーダ
オートエンコーダは、入力から符号(コード)を作るエンコーダと、その符号から入力を作り直すデコーダの2つの部分からなる。
VAE・GANと識別系AI・生成系AIの違いの○×一問一答13問|問題と解説
この論点で収録している13問を、正誤と解説つきで通して読めます。 上の演習で迷った問題を見直すときに使ってください。
問1
VAE・GANと識別系AI・生成系AIの違い|オートエンコーダオートエンコーダは、入力から符号(コード)を作るエンコーダと、その符号から入力を作り直すデコーダの2つの部分からなる。
答え:○(正しい)
解説
正しい。『Deep Learning』は、オートエンコーダを、入力を出力に写し取るように学ぶネットワークとし、エンコーダとデコーダの2つの部分からなるとしている。エンコーダは入力を符号(潜在表現)に変え、デコーダは符号から元に戻す。符号を入力より小さくする場合でたとえると、長い文書を要点のメモに縮め、そのメモから元の文書を書き直す練習のようなもので、要点をつかむ力が身につく。 要点:オートエンコーダは、入力を出力に写し取るように学ぶニューラルネットワークで、入力を表す符号(コード)を作るエンコーダと、符号から入力を作り直すデコーダの2つの部分からなる。次元削減や特徴の学習に使われてきた。
問2
VAE・GANと識別系AI・生成系AIの違い|VAEの学習と生成VAEで新しいデータを生成するときは、潜在変数の分布から値を取り出し、それをデコーダ(生成のネットワーク)に通す。
答え:○(正しい)
解説
正しい。『Deep Learning』は、VAE(変分オートエンコーダ)で新しいデータを作るときは、潜在変数(データの特徴を表す数値の組)の分布から値を取り出し、生成のネットワーク(デコーダ)に通すとしている。似顔絵にたとえると、目の大きさや髪の長さなどのつまみの値を選んでデコーダに渡すと、新しい顔が描き出されるイメージである。 要点:VAEは、学習ではエンコーダが入力から潜在変数を求め、デコーダが潜在変数からデータを作り直すように学ぶ。新しいデータを生成するときは、潜在変数の分布から値を取り出し、生成のネットワーク(デコーダ)に通す。
問3
VAE・GANと識別系AI・生成系AIの違い|生成はデコーダでVAEで新しいデータを生成するときは、エンコーダだけを使い、デコーダは使わない。
答え:×(誤り)
解説
誤り。誤りは「エンコーダだけを使い、デコーダは使わない」の部分。VAEで新しいデータを作るのは、潜在変数(データの特徴を表す数値の組)を受け取るデコーダ(生成のネットワーク)である(『Deep Learning』)。エンコーダは学習のときに入力を潜在変数に変えるのに使う。要点のメモから文章を書き起こすのがデコーダの役目で、生成ではこちらを使う。 要点:VAEで新しいデータを作るのは、潜在変数の分布から取り出した値を受け取るデコーダ(生成のネットワーク)である。
問4
VAE・GANと識別系AI・生成系AIの違い|エンコーダとデコーダVAEでは、デコーダがデータを潜在変数に変える役割を持ち、潜在変数からデータを作り出すのはエンコーダの役割である。
答え:×(誤り)
解説
誤り。エンコーダとデコーダの役割が逆である。『Deep Learning』は、VAEの学習ではエンコーダが入力から潜在変数を求め、潜在変数からデータを作る側をデコーダとしている。エンコーダは「符号にする」、デコーダは「戻す(データにする)」役目である。暗号にたとえると、文を暗号に変えるのがエンコード、暗号から文に戻すのがデコードである。 要点:エンコーダはデータを潜在変数(符号)に変え、デコーダは潜在変数からデータを作り出す。
問5
VAE・GANと識別系AI・生成系AIの違い|潜在変数は分布で表すVAEでは、エンコーダが入力を潜在変数の確率の分布として表し、その分布からばらつきを含めて取り出した値をデコーダに渡して学習する。
答え:○(正しい)
解説
正しい。『Deep Learning』は、VAEでは潜在変数を1つの値に決めるのではなく、入力を生み得た多くの値に確率を置くように学び、分布をガウス分布にすると平均にノイズを加えた形になるとしている。答えを1点に決めずに幅を持たせておくイメージで、同じ人の似顔絵でも、描くたびに表情が少しずつ変わるようなものである。 要点:VAEのエンコーダは、入力を潜在変数の1つの値に決めるのではなく確率の分布として表し、学習ではその分布からノイズ(ばらつき)を含めて取り出した潜在変数を使う。
問6
VAE・GANと識別系AI・生成系AIの違い|VAEの画像はぼやけやすい2016年刊の『Deep Learning』は、画像で学習したVAEが生成する画像がややぼやけやすいことを、主な弱点に挙げている。
答え:○(正しい)
解説
正しい。『Deep Learning』(2016年刊)は、VAEは優れた生成モデル(新しいデータを作り出すモデル)の方法である一方、画像で学習したVAEが作る画像はややぼやけやすいことが主な弱点だとしている。ピントが少し甘い写真のように、全体の形は合っていても細部がにじみやすい、というイメージで覚えるとよい。 要点:2016年刊の『Deep Learning』は、画像で学習したVAEが生成する画像がややぼやけやすいことを、VAEの主な弱点に挙げている。
問7
VAE・GANと識別系AI・生成系AIの違い|GANの仕組みGANは、本物に似たデータを作る生成器と、データが本物(学習データ)か生成器が作ったものかを見分ける識別器を、競わせながら学習させる。
答え:○(正しい)
解説
正しい。GANの論文(Goodfellow ら、2014年)の説明どおり。GAN(敵対的生成ネットワーク)では、生成器が本物そっくりのデータを作り、識別器がそれを本物か作り物かを見分けようとし、2つを競わせながら学ばせる。偽札を作る人と見破る鑑定士が競い合ううちに、偽札の出来も鑑定の目も上がっていく、という関係にたとえられる。 要点:GANは、本物に似たデータを作る生成器(Generator)と、データが学習データ由来か生成器由来かを見分ける識別器(Discriminator)を、競わせながら同時に学習させる(2014年に Goodfellow らが提案)。
問8
VAE・GANと識別系AI・生成系AIの違い|生成器の目標GANの生成器は、識別器が本物と生成物を正しく見分けられる確率が大きくなるように学習する。
答え:×(誤り)
解説
誤り。誤りは「正しく見分けられる確率が大きくなるように」の部分。GANの論文は、生成器は識別器が誤る確率を最大にするように学ぶとしている。正しく見分けようとするのは識別器の側である。偽札づくりにたとえると、生成器の目標は鑑定士をだますことで、鑑定士が見破りやすくなるように作るわけではない。 要点:GANの生成器は、識別器が見分けを誤る確率が大きくなるように学ぶ。本物と生成物を正しく見分けようとするのは識別器である。
問9
VAE・GANと識別系AI・生成系AIの違い|学習が進んだ先GANの学習が理想の状態まで進むと、生成器が作るデータは本物と見分けがつかなくなり、識別器はどの入力にも2分の1の確率を出すようになる。
答え:○(正しい)
解説
正しい。GANの論文と『Deep Learning』の説明どおり。理想的に学習が進むと、生成器のデータは本物と区別できなくなり、識別器はどれを見ても「本物の確率は2分の1」としか言えなくなる。鑑定士がどの札を見ても当てずっぽうになるほど、偽札の出来が本物に追いついた状態である。 要点:GANの学習が理想の状態に達すると、生成器のデータは本物と見分けがつかなくなり、識別器はどの入力にも2分の1を出す。
問10
VAE・GANと識別系AI・生成系AIの違い|GANとVAEの取り違えGANは、エンコーダとデコーダの2つの部分からなり、入力を潜在変数に変えてから元のデータに作り直すように学習する。
答え:×(誤り)
解説
誤り。エンコーダとデコーダからなる仕組みとしている点が誤りである。入力を潜在変数に変えてから作り直すように学ぶのはVAE(オートエンコーダ)で、GANは生成器と識別器の2つのネットワークを競わせて学ぶ(GANの論文、『Deep Learning』)。「符号にして戻す」のがVAE、「作る側と見破る側が競う」のがGAN、と覚え分けるとよい。 要点:GANは生成器と識別器の2つのネットワークを競わせて学ぶ。エンコーダとデコーダからなり、入力を潜在変数に変えてから作り直すように学ぶのはVAEである。
問11
VAE・GANと識別系AI・生成系AIの違い|識別系と生成系入力が何に当たるかを見分けたり予測したりするのが識別系AIで、文章や画像などの新しいデータを作り出すのが生成系AIである。
答え:○(正しい)
解説
正しい。AI事業者ガイドライン(第1.2版)は、AIは予測・提案・決定を行うシステムを指すようになり、さらに画像・文章等を生成する生成AIが普及しつつあるとし、生成AIを文章・画像・プログラム等を生成できるAIの総称としている。届いたメールが迷惑メールかを判定するのが識別系、お礼のメールの文面を書くのが生成系、と考えると分かりやすい。 要点:識別系AIは、入力が何に当たるかを見分けたり、予測・判断したりするAIで、生成系AI(生成AI)は、文章・画像・プログラムなどの新しいデータを作り出すAIである。
問12
VAE・GANと識別系AI・生成系AIの違い|猫か犬かの判定入力された画像に写っているのが猫か犬かを見分けるAIは、生成系AIに当たる。
答え:×(誤り)
解説
誤り。誤りは「生成系AIに当たる」の部分。画像が猫か犬かを見分けるのは、入力がどの種類に当たるかを答える分類(『Deep Learning』)で、識別系AIの働きである。生成系AIは、文章・画像・プログラムなどの新しいデータを作り出すAIである(AI事業者ガイドライン)。猫の絵を新しく描くAIなら、生成系に当たる。 要点:入力が何に当たるかを見分ける(分類する)AIは識別系AIで、新しいデータを作り出すAIが生成系AIである。
問13
VAE・GANと識別系AI・生成系AIの違い|ディープフェイクAIで作った偽の画像や動画であるディープフェイクは、これまでに実際の情報操作に使われた例は報告されていない。
答え:×(誤り)
解説
誤り。誤りは「実際の情報操作に使われた例は報告されていない」の部分。AI事業者ガイドライン(第1.2版)別添は、ディープフェイク(AIで作った本物そっくりの偽の画像・動画など)は各国で悪用例が相次ぎ、偽画像・偽動画を使った情報操作が起きているとし、生成AIで作られた偽画像がSNSで広まり平均株価が一時下落した事例を挙げている。 要点:ディープフェイク(AIで作った偽の画像・動画など)は各国で悪用例が相次ぎ、偽画像・偽動画を使った情報操作が発生し、生成AIで作られた偽画像がSNSで拡散して株価が一時下落した事例もある(AI事業者ガイドライン別添)。
VAE・GANと識別系AI・生成系AIの違いの問題を続けて解く
この論点に対応する13問を絞り込んで出題します。