あるゲーム会社は、キャラクターの顔画像を大量に集め、似た雰囲気の新しい顔画像を自動で作りたい。通常のオートエンコーダを学習し、中間層にランダムな値を入れてデコーダで画像を作ったところ、崩れた画像ばかりになった。改善策として、最も適切なものを1つ選べ。
1つ選んでください
正解と解説を見る
解説
正解A
ポイント
VAEはKL情報量の項で潜在変数の分布を標準正規分布に近づけるため、そこから取り出した値をデコーダに入れて新しいデータを生成できます。
選択肢ごとの解説
- A
適切 ◯ 正解
通常のオートエンコーダは、学習データを符号化した点の周り以外が整っておらず、ランダムな値の多くは意味のない領域に当たります。VAEはKL情報量の項で潜在変数の分布を標準正規分布に近づけるため、そこから取り出した値で生成できます。
- B
不適切
VAEでは、z＝μ＋σ×ε（εは標準正規分布に従う乱数）と書き換える再パラメータ化トリックで、乱数を計算の外に出します。これにより、誤差逆伝播法でエンコーダとデコーダを同時に学習できます。
- C
不適切
β＝0ではKL情報量の項がなくなり、潜在変数の分布を標準正規分布に近づける力が働きません。通常のオートエンコーダに近い状態に戻ります。β-VAEは、1より大きいβで潜在変数を解釈しやすくする手法です。
- D
不適切
1層ずつの事前学習は、深いネットワークの学習を安定させるための工夫です。潜在変数の分布を決まった形にそろえる仕組みはないため、ランダムな値から自然な画像を作れる保証はありません。
試験での狙われ方
VAEの損失の2つの項（再構成誤差とKL情報量）の役割や、再パラメータ化トリックの目的を、生成の場面に当てはめて問う形が考えられます。
関連用語
参考
- G検定 試験出題範囲（シラバス2024）第1.4版 （技術分野 項目24 オートエンコーダ） 2026年10月31日閲覧
- Kingma & Welling, Auto-Encoding Variational Bayes (2013) 2026年10月31日閲覧