【G検定過去問風テスト】潜在変数をきれいに分離する「もつれほぐし」の仕組みとは？
※本記事では、アフィリエイトプログラムより教材を紹介しています。
📝 問題
変分オートエンコーダ（VAE）の学習時に特定のハイパーパラメータを導入し、潜在変数の各要素がそれぞれ独立した明確な意味を持つように調整する「もつれほぐし（Disentanglement）」を行う手法として、最も適切な選択肢を1つ選べ
- A）VQ-VAE
- B）infoVAE
- C）β-VAE
- D）積層オートエンコーダ
🔍 ここをクリックして正解を見る
- 正解: ○）C）β-VAE
💡 合格に近づく！徹底解説
- 重要度: ★★★
■ 1分で分かる！この問題の要点
- β-VAEは、VAEの損失関数にハイパーパラメータ $\beta$（ベータ）を導入したモデル。
- 潜在変数の各要素がそれぞれ独立した意味を持つように調整する「もつれほぐし（Disentanglement）」を行うのが最大の特徴。
■ 初学者向け解説（例え話や背景）
通常のVAEで画像を圧縮すると、潜在変数のどこが「色の情報」でどこが「形の情報」なのかがごちゃ混ぜ（もつれた状態）になりがちです。これを整理整頓するのがβ-VAEです。
タンスの引き出しに例えてみましょう。普通のタンスにごちゃ混ぜに服を詰め込むと何がどこにあるか分かりませんが、β-VAEは「1段目は靴下専用」「2段目はTシャツ専用」ときれいに引き出しを割り当てるように学習を厳しく指導します。この「要素をきれいに分ける」処理を専門用語でもつれほぐし（Disentanglement）と呼び、G検定ではこの言葉とセットで頻出します！
■ 選択肢の解説
- A) VQ-VAE（×）: 潜在変数を離散的なデジタルコードブックで表現し、高画質な画像生成を可能にする手法です。
- B) infoVAE（×）: 入力データと潜在変数の間の相互情報量を最大化し、お留守番現象を防ぐための工夫がなされたVAEの仲間です。
- C) β-VAE（○）: ハイパーパラメータ $\beta$ を用いて「もつれほぐし」を行い、潜在変数の各要素を独立させる手法です。
- D) 積層オートエンコーダ（×）: 通常のオートエンコーダの層を何層も積み重ねて深いネットワークを作った歴史的な手法です。
👉 次の問題＆解説テキスト
お疲れ様です！
この調子で次の問題に挑戦しますか？
それとも、立ち止まって詳しい解説を確認しますか？
