VAE（Variational Autoencoder）

VAE（Variational Autoencoder）とは、生成モデルの一種であり、入力データを圧縮・再構成しながら新たなデータを生成できる、確率的なオートエンコーダです。 主に画像生成や異常検知、データの潜在表現学習などに活用されており、深層生成モデルの中でも理論的に安定した手法として知られています。 VAEの基本構造は次の2つのニューラルネットワークから構成されます： 1. エンコーダ（Encoder）：入力データを確率的な潜在空間（潜在変数の分布）にマッピング 2. デコーダ（Decoder）：その潜在変数から元のデータを再構成し、学習を通じてデータ分布を近似 通常のオートエンコーダ（AE）との違いは、潜在空間を確率分布として扱う点にあります。 この確率的な扱いにより、VAEはデータ生成が滑らかかつ多様性に富み、ノイズへの頑健性も向上します。 また、VAEは損失関数に「再構成誤差（Reconstruction Loss）」に加えて、「KLダイバージェンス（Kullback-Leibler Divergence）」を用いて、学習済みの潜在分布が標準正規分布に近づくように最適化されます。 主な応用例： • 手書き数字や顔画像の生成 • 医療画像の異常検知（正常パターンからの逸脱を捉える） • 潜在変数による特徴圧縮・クラスタリング • 時系列や音声の生成モデル（Sequence VAEなど） VAEはGAN（敵対的生成ネットワーク）に比べて学習の安定性が高く、解釈性にも優れていることから、学術研究や実務応用の両方で活発に利用されています。