Latent Representation（潜在表現）とは？

01 / UNDERSTAND

仕組みと使いどころ

画像や文章などの入力は、エンコーダーによってベクトルなどの潜在表現へ写像されます。潜在表現は、入力の背後にある構造やタスクに関係する特徴を保持し、不要または重複する情報を省くことで、データを効率よく扱えるようにします。オートエンコーダーでは、潜在表現から入力を復元できるよう学習します。また、画像分類、物体検出、画像生成、意味検索などでも後段の予測や生成に使われます。ただし、圧縮は通常情報の損失を伴い、元データのすべてを保持するとは限りません。何が残るかはモデルの構造、学習データ、学習目的に依存し、各次元の意味が人に直接理解できるとも限りません。

02 / IN PRACTICE

Latent Representationの活用例

03 / GOOD TO KNOW

使うときのポイント

潜在表現を比較するときは、次元数だけでなく、どの入力から、どの学習目的で作られ、後段のどの処理に使われる表現なのかを確認してください。