【G検定】サンプリングバイアスとは？データ収集の偏りがAIの公平性を壊す仕組みを解説
2026年7月3日
どんなに優れたAIでも、学習データの集め方が偏っていれば、その偏りを引き継いだ判断しかできません。データ収集の段階で母集団を正しく反映できなくなる偏り——それがサンプリングバイアスです。AI倫理章の公平性の節では、不公平なAIを生む「入口の原因」として登場します。
【G検定】info VAEとは？相互情報量で「潜在変数の無視」を防ぐVAEの拡張を解説
2026年7月2日
VAE(変分オートエンコーダ)には、「せっかく用意した潜在変数がデコーダに無視されてしまう」という悩みがあります。info VAE(InfoVAE)は、この問題に「相互情報量」という情報理論の物差しで挑んだ拡張モデルです。VQ-VAEやβ-VAEと並ぶVAE派生モデルの一つとして、狙いの違いを整理しながら理解しましょう。
【G検定】公平性の定義とは？AIにおける公平性の考え方と基準の多様性をわかりやすく解説
2026年7月2日
「AIは公平であるべきだ」——誰もが同意する目標ですが、では「公平」とは具体的に何を指すのでしょうか。実はこの問いには唯一の正解がありません。G検定のAI倫理章では、AIにおける公平性がどう定義され、なぜその定義自体が論点になるのかが問われます。
【G検定】VQ-VAEとは？潜在変数を離散化するベクトル量子化の仕組みをわかりやすく解説
2026年7月2日
VAE(変分オートエンコーダ)の派生モデルの中でも、ひときわ独特なアプローチをとるのがVQ-VAE(Vector Quantized-VAE)です。通常のVAEが潜在変数を連続的な数値で表すのに対し、VQ-VAEは「あらかじめ用意した有限個のコード」から選ぶ離散表現を採用しました。この発想の転換が何を解決したのかを見ていきます。
【G検定】アルゴリズムバイアスとは？AIが差別を学んでしまう仕組みと実例をわかりやすく解説
2026年7月2日
AIは機械だから公平——とは限りません。偏ったデータや設計から学習したAIは、特定の集団に不利な判断を「もっともらしい顔」で下してしまいます。この現象がアルゴリズムバイアスです。G検定のAI倫理章・公平性の節で、議論全体の出発点となるキーワードです。