【G検定過去問風テスト】共通の空間で結ぶ！共有埋め込み空間の仕組み

2026年8月6日 2026年8月6日 atsushi_kitazawa

※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

テキストや画像など、異なるモダリティのデータを同じ次元のベクトル表現（数値の並び）に変換して配置する共通の空間であり、例えば「猫の画像」ベクトルとクル「"a photo of a cat"という文章」ベクトルが近い位置に配置されるように学習される仕組みとして、最も適切なものを1つ選べ。

A）共有埋め込み空間（Shared Embedding Space）
B）Gated Cross-Attention
C）Q-Former
D）早期統合（Early Fusion）

🔍 ここをクリックして正解を見る

正解: A）共有埋め込み空間（Shared Embedding Space）

💡 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

共有埋め込み空間は、異なる種類のデータ（画像と文字など）を「同じ意味のマップ（空間）」上で近くに配置するための仕組み。
CLIPなどのモデルにおいて、画像とテキストの意味を結びつける土台となっている。

■ 初学者向け解説（例え話や背景）

日本語の「りんご」という言葉と、英語の「apple」、そして本物の赤いりんごの写真。これらは形も文字もバラバラですが、人間の頭の中ではすべて同じ「あの赤い果物」として結びついていますよね。AIにとっても同様で、異なる言語や画像を「意味が同じなら近くに集まるような、共通の世界地図（空間）」に変換して整理してあげることで、お互いの関係を正しく理解できるようになります。

■ 選択肢の解説

A) 共有埋め込み空間（Shared Embedding Space）（○）: 異なるモダリティを同じ次元のベクトル空間に配置し、意味の近いものを近くに並べる仕組みです。正解です！
B) Gated Cross-Attention（×）: Flamingoなどで使われる、画像モデルとLLMの間でアテンションを計算・制御する結合層の仕組みです。
C) Q-Former（×）: BLIP-2などで使われる、固定された画像モデルとLLMの間をつなぐ軽量な接続モジュールです。
D) 早期統合（Early Fusion）（×）: 入力や初期の特徴量の段階で複数モダリティのデータを結合する設計手法です。

リンク