最終更新日：2026年9月23日
gk neural_network generative_model gan
まず結論
GAN（Generative Adversarial Network：敵対的生成ネットワーク）は、
- Generator（生成器）：本物らしいデータを作る
- Discriminator（識別器）：本物データと生成データを見分ける
という2つのネットワークを敵対的に学習させる生成モデルです。
G検定では、Generator＋Discriminator＋敵対的学習を見たらGANを疑います。
直感的な説明
GANは、
偽物を作る側と、偽物を見破る側を競わせる
イメージです。
GeneratorはDiscriminatorをだませるように生成を改善し、Discriminatorはより正確に真偽を見分けるよう学習します。
定義・仕組み
基本GANでは、Generatorは潜在変数 z から生成データを作り、Discriminatorは入力が本物データか生成データかを判定します。
学習はミニマックスゲームとして表現されます。
重要なのは、GANがVAEのようにEncoderで潜在分布を近似する方式ではないことです。
モード崩壊
GANでは、Generatorが限られた種類の出力ばかり作るモード崩壊（Mode Collapse）が起こることがあります。
これは、見た目の品質とは別に、生成データの多様性が失われる問題です。
いつ使う？（得意・不得意）
GAN系は、
- 画像生成
- 画像変換
- データ拡張
- 超解像
などに利用されてきました。
ただし、GANなら常にVAEやDiffusionより高品質と固定順位で覚えるのは避けます。モデル・データ・評価方法によって結果は変わります。
G検定ひっかけポイント
GAN＝VAE？
❌ Encoder / Decoderで潜在分布を学ぶ
⭕ Generator / Discriminatorを敵対的に学習
GAN＝Diffusion？
❌ ノイズを段階的に除去して生成する
⭕ Generatorが直接データを生成し、Discriminatorと競う
モード崩壊
❌ 勾配消失の別名
⭕ 限られた種類の生成ばかりになる問題
まとめ（試験直前用）
- GAN＝敵対的生成ネットワーク
- Generator＝生成
- Discriminator＝真偽判定
- ミニマックスゲーム
- モード崩壊に注意
- VAE＝確率的潜在変数
- Diffusion＝反復的ノイズ除去