2026年版・4-6

オートエンコーダ・データ拡張の一問一答

G検定（ジェネラリスト検定）「ディープラーニングの要素技術」から、オートエンコーダ・データ拡張に関する4択問題を10問。「答えと解説を見る」を開くと、正解とその理由がその場で読めます。会員登録は不要です。

この分野の演習

全10問／解説つき・基本無料

アプリ形式で解く（全480問）ディープラーニングの要素技術の要点解説を読む

問題

上から順に解いてみてください。答えは各問の下で確認できます。本試験は多肢選択式で、問い方は問題ごとに異なりますが、ここでは4択で出題しています。

問14-6

オートエンコーダの説明として、最も適切なものを1つ選びなさい。

①入力と同じものを出力するように学習し、途中の層でデータを圧縮した表現を得る。
②入力とは異なる正解ラベルを出力するように学習し、データを複数のクラスに分類する。
③生成器と識別器を競わせることで、本物と見分けがつかないデータを作り出す。
④入力のうちどこに注目すべきかの重みを計算し、重要な部分だけを取り出す。

答えと解説を見る

正解 ①入力と同じものを出力するように学習し、途中の層でデータを圧縮した表現を得る。

解説
オートエンコーダ（自己符号化器）は、入力されたデータと同じものを出力するように学習するニューラルネットワークです。入力層より少ないニューロンの隠れ層を途中に置くことで、データをいったん低次元に圧縮し（エンコード）、そこから元のデータを復元する（デコード）仕組みになっています。正しく復元できるように学習すると、途中の層には、データの重要な特徴を凝縮した表現（潜在表現）が得られます。正解ラベルを必要としないため、教師なし学習の一種とされます。次元削減や異常検知、ノイズ除去などに使われます。

他の選択肢が不適切な理由
・正解ラベルを出力して分類する：これは教師あり学習の分類の説明です。
・生成器と識別器を競わせる：これはGANの説明です。
・どこに注目すべきかの重みを計算する：これはAttentionの説明です。

覚え方のポイント
「オートエンコーダ＝入力＝出力となるように学習・真ん中がくびれた形・教師なし」。2006年にヒントンらは、層を1層ずつ事前学習してから全体を調整する方法で、深いオートエンコーダの学習に成功しました。

問24-6

オートエンコーダを使った異常検知の考え方として、最も適切なものを1つ選びなさい。

①異常なデータだけで学習させ、うまく復元できる（復元誤差が小さい）データを正常とみなす。
②正常なデータだけで学習させ、うまく復元できない（復元誤差が大きい）データを異常とする。
③正常なデータと異常なデータに正解ラベルを付け、ソフトマックス関数で2つに分類する。
④正常なデータだけで学習させ、うまく復元できた（復元誤差が小さい）データを異常とする。

答えと解説を見る

正解 ②正常なデータだけで学習させ、うまく復元できない（復元誤差が大きい）データを異常とする。

解説
オートエンコーダを使った異常検知では、大量にある正常なデータだけを使って、入力をうまく復元できるように学習させます。すると、学習済みのオートエンコーダは、正常なデータなら元に近い形で復元できますが、学習で見たことのない特徴を持つ異常なデータは、うまく復元できません。そこで、入力と復元結果の差（復元誤差）が大きいデータを異常とみなします。異常なデータがめったに集まらない、製造業の不良品検査や設備の故障の検知などで使われています。

他の選択肢が不適切な理由
・異常なデータだけで学習させる：異常なデータは数が少なく種類も多様なため、それだけで学習させる方法は一般的ではなく、判定の考え方も逆です。
・正解ラベルを付けて2つに分類する：これは教師あり学習の分類の考え方です。異常のデータが少ない場合には十分に学習できないことがあります。
・復元誤差が小さいデータを異常とする：判定の向きが逆です。正常なデータで学習したオートエンコーダは、正常なデータほどうまく復元できるため、復元誤差が小さいデータは正常とみなします。

覚え方のポイント
「正常だけを覚えさせ、覚えていないもの（復元できないもの）を異常とする」。教師なし学習の異常検知の代表的な考え方です。

問34-6

変分オートエンコーダ（VAE）の説明として、最も適切なものを1つ選びなさい。

①潜在変数を確率分布ではなく1つの点で表し、入力の圧縮と復元だけを行うモデル
②生成器と識別器の2つを競わせて、本物そっくりのデータを作り出すようにしたモデル
③潜在変数を確率分布で表し、潜在空間から新しいデータを生成できるようにしたモデル
④入力にノイズを加え、そのノイズを取り除いた元のデータを復元するようにしたモデル

答えと解説を見る

正解 ③潜在変数を確率分布で表し、潜在空間から新しいデータを生成できるようにしたモデル

解説
変分オートエンコーダ（VAE：Variational Autoencoder）は、オートエンコーダを生成モデルに発展させたものです。通常のオートエンコーダが入力を潜在空間の1点に写すのに対し、VAEは入力を、平均と分散で表される確率分布（一般に正規分布）として潜在空間に写します。潜在空間がなめらかに整理されるため、そこから値を取り出してデコーダに入力すると、学習データに似た新しいデータを生成できます。学習では、確率分布からの値の取り出しを微分できる形に書き換える「再パラメータ化トリック（Reparameterization Trick）」が用いられます。

他の選択肢が不適切な理由
・潜在変数を1つの点で表し圧縮と復元だけを行う：これは通常のオートエンコーダの説明です。潜在空間が整理されていないため、そこから値を取り出しても新しいデータをうまく生成できるとは限りません。
・生成器と識別器を競わせる：これはGANの説明です。
・ノイズを加えた入力から元のデータを復元する：これは「デノイジングオートエンコーダ」の説明です。

覚え方のポイント
「VAE＝潜在変数を確率分布（平均と分散）で表す生成モデル」。学習では、復元の誤差に加えて、潜在変数の分布を正規分布に近づけるためのKLダイバージェンスが使われることもあわせて覚えましょう。

問44-6

入力に意図的にノイズを加えたうえで、ノイズのない元のデータを復元するように学習させるオートエンコーダとして、最も適切なものを1つ選びなさい。

①変分オートエンコーダ
②積層オートエンコーダ
③スパースオートエンコーダ
④デノイジングオートエンコーダ

答えと解説を見る

正解 ④デノイジングオートエンコーダ

解説
デノイジングオートエンコーダは、入力データにわざとノイズを加えたものを入力とし、ノイズを加える前の元のデータを出力するように学習させるオートエンコーダです。単に入力を丸写しするのではなく、ノイズに惑わされずにデータの本質的な特徴を捉えるように学習するため、頑健な特徴表現が得られます。画像のノイズ除去などにも応用されます。

他の選択肢が不適切な理由
・変分オートエンコーダ：潜在変数を確率分布として表し、新しいデータを生成できるようにしたモデルです。
・積層オートエンコーダ：オートエンコーダを何層も積み重ね、1層ずつ順番に学習させるものです。2006年ごろのディープラーニングの事前学習で使われました。
・スパースオートエンコーダ：隠れ層のニューロンのうち、ごく一部だけが反応する（スパースになる）ように制約を加えたオートエンコーダです。

覚え方のポイント
「デノイジング（De-noising）＝ノイズを取り除く」。オートエンコーダの派生形は、名前の英単語の意味から役割を推測すると覚えやすくなります。

問54-6

データ拡張（Data Augmentation）の主な目的として、最も適切なものを1つ選びなさい。

①既存データに変形を加えて学習データの種類を増やし、汎化性能を高めること
②学習データの件数を減らして、学習にかかる時間とメモリを大幅に節約すること
③各特徴量の値を平均0・分散1にそろえて、学習を安定させて速めること
④正解ラベルの誤りを自動で見つけ出して、正しいラベルに修正すること

答えと解説を見る

正解 ①既存データに変形を加えて学習データの種類を増やし、汎化性能を高めること

解説
データ拡張は、手元にある学習データに、反転、回転、拡大・縮小、切り取り、明るさの変更などの変形を加えて、見た目の異なるデータを人工的に増やす手法です。さまざまな条件のデータで学習させることで、モデルが特定の見え方に頼りすぎなくなり、未知のデータへの対応力（汎化性能）が高まります。過学習を防ぐ代表的な方法の一つで、データを集める手間や費用を抑えられる利点もあります。

他の選択肢が不適切な理由
・件数を減らして時間とメモリを節約する：データ拡張は、データの種類を増やす方向の手法です。
・値を平均0・分散1にそろえる：これは標準化（前処理としての正規化）の説明です。データの種類を増やす処理ではありません。
・ラベルの誤りを自動で修正する：データ拡張はラベルの修正を目的とした手法ではありません。

覚え方のポイント
データ拡張は「データを水増しして過学習を防ぐ」。ただし、変形によって意味やラベルが変わってしまわないかに注意が必要です（たとえば数字の「6」を180度回転すると「9」に見える）。

問64-6

手書きの数字を分類するモデルの学習で、データ拡張として画像を180度回転させた。この処理についての注意点として、最も適切なものを1つ選びなさい。

①回転させた画像は元の画像と同じ内容なので、学習データを増やす効果はまったくない。
②「6」と「9」のように、回転で正解ラベルが変わってしまう画像が生じるおそれがある。
③180度回転すると画像の縦横の大きさが変わるため、元の画像と一緒には学習に使えない。
④データ拡張はテストデータにだけ行う処理であり、学習データに行ってはならない。

答えと解説を見る

正解 ②「6」と「9」のように、回転で正解ラベルが変わってしまう画像が生じるおそれがある。

解説
データ拡張では、変形を加えても、元の正解ラベルがそのまま成り立つことが前提になります。手書きの数字の「6」を180度回転すると「9」のように見え、「9」を回転すると「6」のように見えます。この変形を行うと、見た目と正解ラベルが食い違ったデータを学習させることになり、かえって性能が下がるおそれがあります。データ拡張の手法は、扱うデータや課題の性質に合わせて選ぶ必要があります。

他の選択肢が不適切な理由
・学習データを増やす効果はまったくない：回転した画像は、モデルから見れば別の入力です。向きの違いに強いモデルを作る効果があり、ラベルが変わらない範囲の回転は有効なデータ拡張です。
・縦横の大きさが変わる：180度の回転では画像の縦横の大きさは変わらず、元の画像と一緒に学習に使えます。
・テストデータにだけ行う処理：データ拡張は、主に学習データに対して行う処理です。

覚え方のポイント
データ拡張で確認すべきことは「その変形をしても、正解ラベルは変わらないか」。たとえば、左右の区別が重要な課題で左右反転を使うのも、同じ理由で注意が必要です。

問74-6

画像の一部の領域をランダムに選んで隠す（塗りつぶす）ことで、モデルが画像の特定の部分に頼りすぎないようにするデータ拡張の手法として、最も適切なものを1つ選びなさい。

①Mixup
②ドロップアウト
③Random Erasing（Cutout）
④バッチ正規化

答えと解説を見る

正解 ③Random Erasing（Cutout）

解説
Cutoutは、画像の一部の正方形の領域を0などで塗りつぶして隠すデータ拡張の手法です。Random Erasingも同様に、画像の一部の領域をランダムに選び、ランダムな値などで塗りつぶします。物体の一部が隠れた画像で学習させることで、モデルが特定の部分だけを手がかりにせず、画像全体からさまざまな特徴を捉えるようになり、遮蔽（物体の一部が他の物に隠れること）にも強くなります。

他の選択肢が不適切な理由
・Mixup：2枚の画像をある割合で重ね合わせ、正解ラベルも同じ割合で混ぜるデータ拡張の手法です。
・ドロップアウト：ネットワークのニューロンをランダムに無効にする手法で、画像そのものを隠すデータ拡張ではありません。
・バッチ正規化：ミニバッチ単位で層への入力を正規化する手法です。

覚え方のポイント
主なデータ拡張の手法は「Cutout・Random Erasing＝一部を隠す」「Mixup＝2枚を重ねる」「CutMix＝一部を切り取って別の画像に貼る」。似た名前が多いので、何をするかで区別しましょう。

問84-6

2枚の画像をある割合で重ね合わせて新しい画像を作り、正解ラベルも同じ割合で混ぜ合わせるデータ拡張の手法として、最も適切なものを1つ選びなさい。

①CutMix
②Cutout
③Random Crop
④Mixup

答えと解説を見る

正解 ④Mixup

解説
Mixupは、2枚の画像の画素値を、たとえば7：3のような割合で足し合わせて重ね合わせた画像を作り、正解ラベルも「犬0.7・猫0.3」のように同じ割合で混ぜ合わせるデータ拡張の手法です。クラスとクラスの間のデータもなめらかに学習させることで、モデルの判断の境界が整い、汎化性能が高まるとされています。

他の選択肢が不適切な理由
・CutMix：ある画像の一部の領域を切り取り、別の画像のその位置に貼り付ける手法で、ラベルは貼り付けた面積の割合で混ぜます。画像全体を重ね合わせるMixupとは異なります。
・Cutout：画像の一部の領域を塗りつぶして隠す手法です。
・Random Crop：画像からランダムな位置の一部を切り出して使う手法です。

覚え方のポイント
「Mixup＝全体を半透明に重ねる」「CutMix＝切り貼りする（Cut＋Mix）」「Cutout＝切り取って隠す」。ラベルも混ぜるのはMixupとCutMixです。

問94-6

文章のデータを増やすための手法で、ある文を別の言語に機械翻訳し、それを再び元の言語に翻訳し直すことで、意味は同じで表現の異なる文を作るものとして、最も適切なものを1つ選びなさい。

①逆翻訳（Back Translation）
②Random Erasing
③Mixup
④Teacher Forcing

答えと解説を見る

正解 ①逆翻訳（Back Translation）

解説
逆翻訳（Back Translation）は、自然言語処理のデータ拡張の手法の一つです。たとえば日本語の文を英語に翻訳し、それをもう一度日本語に翻訳し直すと、意味はほぼ同じでも、言い回しの異なる文が得られます。これを学習データに加えることで、表現の違いに強いモデルを作ることができます。文章のデータ拡張には、ほかに、単語を同じ意味の別の単語に置き換える「同義語の置換」や、単語をランダムに挿入・削除・入れ替える方法などがあります。

他の選択肢が不適切な理由
・Random Erasing：画像の一部の領域をランダムに選んで隠す、画像のデータ拡張の手法です。
・Mixup：2枚の画像を重ね合わせ、ラベルも混ぜる画像のデータ拡張の手法です。
・Teacher Forcing：系列を生成するモデルの学習で、正解のデータを次の時刻の入力として与える方法で、データ拡張ではありません。

覚え方のポイント
データ拡張は画像だけのものではありません。「画像＝反転・回転・Cutout・Mixupなど」「文章＝逆翻訳・同義語の置換など」と、データの種類ごとに代表的な手法を覚えましょう。

問104-6

オートエンコーダを何層も積み重ね、入力層に近い層から1層ずつ順番に学習させ、最後にネットワーク全体を調整する方法として、最も適切なものを1つ選びなさい。

①変分オートエンコーダによるデータ生成
②積層オートエンコーダによる事前学習
③デノイジングオートエンコーダによる復元
④敵対的生成ネットワークによる生成

答えと解説を見る

正解 ②積層オートエンコーダによる事前学習

解説
積層オートエンコーダ（Stacked Autoencoder）は、オートエンコーダを何層も積み重ねた構造です。まず入力層に近い1層目をオートエンコーダとして学習させ、その隠れ層の出力を入力として2層目を学習させる、というように、1層ずつ順番に学習させていきます（事前学習）。最後に出力層を加えて、ネットワーク全体を正解ラベル付きのデータで調整します（ファインチューニング）。2006年ごろ、ヒントンらの研究とともに、深いネットワークの学習を可能にする方法として注目されました。

他の選択肢が不適切な理由
・変分オートエンコーダによるデータ生成：潜在変数を確率分布として表し、新しいデータを生成する方法です。
・デノイジングオートエンコーダによる復元：ノイズを加えた入力から元のデータを復元するように学習させる方法です。
・敵対的生成ネットワークによる生成：生成器と識別器を競わせてデータを生成する方法です。

覚え方のポイント
「積層オートエンコーダ＝1層ずつ事前学習 → 全体をファインチューニング」。現在は、ReLUや初期値の工夫、バッチ正規化などにより、事前学習を行わずに深いネットワークを学習させるのが一般的です。

G検定は一般社団法人日本ディープラーニング協会の登録商標です。本ページは一般社団法人日本ディープラーニング協会とは一切関係ありません。

G検定の対策問題（全480問）に戻る

非公式の資格試験対策サイトです。一般社団法人日本ディープラーニング協会とは一切関係ありません。

※本ページでは、アクセス解析（Googleアナリティクス）と、広告の配信・成果の計測（A8.net）のためにCookie等を利用し、閲覧に関する情報をGoogle LLC・株式会社ファンコミュニケーションズへ送信しています。詳しくはプライバシーポリシーをご覧ください。

※本ページの問題・解説は、生成AI（人工知能）を活用して作成しています。