---
title: "GANは異常検知に使える？【超ひっかけ整理｜G検定対策】"
description: "GANによる異常検知は、正常データの分布を生成モデルに学ばせ、入力の再構成誤差や識別器の特徴差が大きいものを異常候補とみなす考え方です。GAN自体が異常検知専用モデルではないこと、異常ラベルが少ない場面でも活用できる一方で学習不安定性があることを押さえ、単なる二値分類との違いを判断します。"
canonical_url: "https://stemtazoo.github.io/gk/gan-anomaly-detection/"
section: "gk"
---

## まず結論
- **GANは異常検知に「使える場合もある」が、G検定では基本的に主役ではない。**
- G検定では「**GAN＝生成モデル**」であり、「異常検知の代表手法ではない」ことを理解しているかが問われる。

## 直感的な説明
GANは一言でいうと、  
**「本物そっくりのデータを作るAI」**です。

- 正常データっぽいものを生成するのは得意
- でも **異常かどうかを直接判断するAIではない**

つまり、
- AE：復元できない → 異常  
- VAE：起こりにくい → 異常  

に対して、

GANは  
👉 **「それっぽい正常データを作る」側のAI**  
です。

## 定義・仕組み
GAN（Generative Adversarial Network）は、

- Generator：データを生成
- Discriminator：本物か偽物かを判別

という **対戦構造**を持つ生成モデルです。

異常検知に使う場合は、

- 正常データのみでGANを学習
- 「正常らしさ」からのズレを見る

といった **間接的な使い方**になります。

重要：
- **GANの本来の目的は生成**
- **異常検知は副次的な応用**

## いつ使う？（得意・不得意）
### 使えるケース（理論上）
- 正常データが非常に豊富
- データ分布を高精度に学習したい
- 研究用途・高度な応用

### 向いていない理由（実務・試験）
- 学習が不安定
- 実装が複雑
- 判定基準が分かりにくい
- AE / VAE の方がシンプルで説明しやすい

## G検定ひっかけポイント
ここが **超重要** です。

### よくある誤解
- ❌「生成モデル＝異常検知に最適」
- ❌「GANは異常検知の代表手法」
- ❌「異常検知＝GAN」

### 正しい判断基準
- **再構成誤差 → AE**
- **確率・分布 → VAE**
- **生成が目的 → GAN**

問題文で  
「異常検知の代表的手法」  
と聞かれたら、**GANは選ばない**。

## まとめ（試験直前用）
- GANは生成モデル
- 異常検知に使える場合はある
- ただしG検定では主役ではない
- AE / VAE の方が頻出
- 「生成」→ GAN、「異常検知」→ AE / VAE