Generative Adversarial Network（じねらてぃぶあどばーさりあるねっとわーく）

最終更新：2026/4/25

生成敵対ネットワークは、生成モデルと識別モデルを競わせることで、データ分布を学習する深層学習モデルである。

別名・同義語敵対的生成ネットワーク

ポイント

GANは、画像生成、データ拡張、異常検知など、多様な応用分野を持つ。学習の不安定さが課題として知られている。

概要

Generative Adversarial Network (GAN) は、Ian Goodfellow らによって2014年に発表された深層学習のモデルである。GANは、生成器 (Generator) と識別器 (Discriminator) という2つのニューラルネットワークを互いに競わせることで学習を行う。生成器は、訓練データに近いデータを生成する役割を担い、識別器は、生成器が生成したデータと実際の訓練データを区別する役割を担う。この2つのネットワークが互いに学習を繰り返すことで、生成器はよりリアルなデータを生成できるようになり、識別器はより正確にデータを識別できるようになる。

仕組み

GANの学習プロセスは、ミニマックスゲームとして捉えることができる。生成器は、識別器を欺くようにデータを生成し、識別器は、生成器の生成したデータを正しく識別するように学習する。この過程で、生成器と識別器は互いに改善され、最終的には生成器が訓練データと区別がつかないようなデータを生成できるようになる。

応用分野

GANは、画像生成、画像編集、超解像、データ拡張、異常検知など、様々な応用分野で利用されている。特に、画像生成の分野では、非常に高品質な画像を生成することが可能であり、その応用範囲は広い。また、GANは、医療画像解析、金融モデリング、自然言語処理など、様々な分野での応用が期待されている。

課題

GANの学習は、不安定になりやすいという課題がある。生成器と識別器のバランスが崩れると、学習が収束しなかったり、生成されるデータが多様性に欠けたりすることがある。この問題を解決するために、様々なGANの改良版が提案されている。