変分自己符号化器（VAE）は、入力データを低次元の潜在空間へ圧縮しつつ確率分布として学習することで、新しいデータを生成できる深層学習の生成モデルです。データの構造を確率的に捉える点が特徴で、画像生成や異常検知などに広く活用されています。
変分自己符号化器とは
変分自己符号化器とは、データを圧縮する符号化器と、復元する復元器を組み合わせることで、データの背後にある確率的な特徴を学習し、新しいデータを生成できるようにする生成モデルのことです。
詳しく解説
変分自己符号化器は、通常の自己符号化器の拡張として開発されました。通常の自己符号化器が入力データを固定的なベクトルに圧縮するのに対し、変分自己符号化器は潜在空間を確率分布として表現します。これにより、潜在空間を滑らかに探索できるようになり、未知のデータをサンプリングして生成することが可能になります。学習の際には、入力データが従うであろう確率分布と、モデルが推論する確率分布のズレを測るために、再構成誤差とカルバック・ライブラー情報量を組み合わせた損失関数を用いて最適化を行います。
具体例・使われ方
顔画像や風景画像などの新しい画像を生成する画像生成タスク、正常なデータの分布を学習してそこから外れたデータを検出する異常検知、複数の異なるモダリティを統合するマルチモーダル学習などに利用されています。
似た用語との違い
敵対的生成ネットワーク（GAN）と比較されることが多く、VAEは確率的な最適化により学習が安定しやすい一方で、生成される画像がややぼやけやすい傾向があります。これに対し、GANは敵対的学習によって非常に鮮明な画像を生成できますが、学習が不安定になりやすいという違いがあります。
注意点
変分自己符号化器は確率分布を仮定して学習するため、複雑すぎるデータ分布に対してはモデルの表現力が不足し、生成される画像が不鮮明になるという限界があります。また、潜在空間の次元数を適切に設定しないと、過学習や情報落ちを引き起こす注意点があります。