GANとは何か？
GAN は、深層学習を使った 生成モデル（学習データに似た新しいデータを作るモデル）の一つです。2014年に Ian Goodfellow らが発表した論文「Generative Adversarial Nets」で提案されました。
特徴は、2つのニューラルネットワークを 敵対させる（競わせる）ことです。原論文では、偽札を作る者と、それを見抜こうとする警察のたとえで説明されています。偽札作りが上手になるほど警察も見抜く力を上げ、警察が鋭くなるほど偽札作りも精巧になる――この競争を繰り返すうちに、作られるものが本物と見分けにくくなる、という考え方です。
深層学習の全体像は ディープラーニングとは、生成AI全般は 生成AIとLLM で整理しています。
生成器と識別器は、それぞれ何をする？
- 作
生成器がデータを作る
乱数（ノイズ）から本物らしいデータを作る
- 判
識別器が見分ける
本物のデータと作られたデータのどちらかを判定する
- 識
識別器を更新する
だまされないように、見分ける力を上げる
- 生
生成器を更新する
識別器に「本物」と判定させるように作り方を直す
交互に繰り返す
競争を繰り返すうちに、作られるデータが本物と見分けにくくなる。
| 項目 | 生成器（Generator） | 識別器（Discriminator） |
|---|---|---|
| 入力 | 乱数（ノイズ） | 本物のデータ、または生成器が作ったデータ |
| 出力 | 本物らしく見えるデータ（例：画像） | 入力が本物である確からしさ |
| 学習の目標 | 識別器に「本物」と判定させる | 本物と生成されたものを正しく見分ける |
| たとえ | 偽札を作る者 | 偽札を見抜く警察 |
| 学習後の使い道 | 新しいデータを作るのに使う | 学習のための相手役（生成に直接は使わないことが多い） |
学習は、識別器の更新と生成器の更新を交互に繰り返して進みます。理想的には、識別器が本物と偽物を半々の確率でしか見分けられない状態、つまり生成されたデータが本物の分布に十分近づいた状態を目指します（原論文の理論的な結論）。
識別器が50%でも、生成品質の証明とは限らない
原論文の理論的な均衡では、生成分布がデータ分布と一致し、識別器が各点で1/2を返す状態を扱います。ただし、実際の学習で識別器の値や正答率が50%前後だった、という観測から、その条件がすべて成立したとは逆算できません。
例えば、本物と生成物を同数ずつ評価し、識別器が内容に関係なく常に片方と答えた場合も正答率は50%です。これは区別できる情報を学べていない例で、生成器の品質が高い証拠ではありません。出力確率と正答率、理論上の条件を分けてください。
| 確認するもの | その情報だけでは言えないこと |
|---|---|
| 識別器の正答率50% | 生成分布と本物の分布が一致した |
| 画像が自然に見える例が数枚 | 多様性・全体の品質が十分 |
| 生成データで学習精度が上がる | 未使用の本物データでも改善する |
データ水増しを評価するときは、学習に使っていない本物のデータで目的の性能を確かめます。これは学習を点検する例で、本試験の新しい採点基準ではありません。
ほかの生成モデルと、何が違う？
生成AIにはいくつかの方式があります。代表的なものと比べました（一般的な傾向。当サイトの整理）。
| 方式 | 仕組みの要点 | よく使われる対象 | 注意点 |
|---|---|---|---|
| GAN | 生成器と識別器を競わせる | 画像の生成・変換 | 学習が不安定、モード崩壊 |
| VAE（変分オートエンコーダ） | データを圧縮した表現から、元のデータを復元するように学ぶ | 画像、異常検知 | 生成した画像がぼやけやすい傾向 |
| 拡散モデル | ノイズを少しずつ加えた過程を逆にたどり、ノイズから復元する | 高品質な画像生成 | 生成に多くの計算手順がかかる |
| Transformer系の言語モデル | 注意機構で、前の文脈から次の語を予測する | 文章の生成（LLM） | 事実と違う内容を作ること（ハルシネーション） |
近年の画像生成では拡散モデル、文章生成では Transformer 系のモデルが中心になっていますが、GAN は 生成AIの考え方を広めた代表的な手法 として、用語の問題で問われやすい位置にあります（推定）。Transformer の仕組みは Transformerとは で解説しています。
IoTでは、どう使われる？
- データの水増し: 故障や異常のデータは、正常なデータに比べて集めにくいものです。GAN で似たデータを作り、学習用のデータを補う使い方が研究されています。
- 異常検知: 正常なデータだけで GAN を学習させ、うまく再現できないデータを「いつもと違う」と判断する手法があります。
- 画像の補正・変換: 暗い画像を明るくする、解像度を上げるなど、カメラ画像の前処理に使われることがあります。
一方で、本物そっくりの偽の画像や映像（いわゆるディープフェイク）に悪用される懸念もあります。生成したデータを学習に使うときは、本物のデータとの区別や、偏りが増幅されていないかの確認が欠かせません。力試しには IoT基礎の無料お試し も使えます。
GANの敵対
- 生成器と識別器が競う
- モデルを学習する仕組み
敵対的攻撃
- 入力を工夫して判断を誤らせる
- モデルの弱点を突く行為
同じ「敵対」という言葉でも、目的と主体が異なる。
本文の内容を当サイトが図に整理したものです。配置や面積は数量・出題比率を表しません。
どこで取り違えやすい？
- 「敵対的」を攻撃のことと思う: GAN の「敵対」は、2つのネットワークが競う学習の仕組みのことです。AIをだます入力を作る「敵対的サンプル（敵対的攻撃）」とは別の話です。
- 生成器と識別器の役割を逆にする: 作るのが生成器、見分けるのが識別器です。
- 教師あり学習の分類器と同じと考える: 識別器は見分ける役ですが、GAN 全体の目的は分類ではなく、新しいデータの生成です。
- GAN＝生成AIのすべて: 生成AIには拡散モデルや Transformer 系など、ほかの方式もあります。
確認問題1
GANの仕組み
（当サイトの独自問題）GAN（敵対的生成ネットワーク）の説明として、最も適切なものはどれか。
選択肢を準備しています。「正解と解説を見る」は先に開けます。
正解と解説を見る
正解：3。生成器と識別器を競わせるのが GAN の仕組みです。
1：教師あり学習による分類の説明です。2：拡散モデルの説明です。4：強化学習の説明です。
確認問題2
識別器の役割
（当サイトの独自問題）GAN における識別器の役割として、最も適切なものはどれか。
選択肢を準備しています。「正解と解説を見る」は先に開けます。
正解と解説を見る
正解：4。識別器は本物と生成物を見分ける役割を担います。
1：生成器の役割です。2：配信は GAN の構成要素の役割ではありません。3：暗号化はセキュリティの技術で、識別器の役割ではありません。
確認問題3
GANの課題
（当サイトの独自問題）GAN の学習で起こりうる、生成器が多様なデータを作れず、似たデータばかりを出力するようになる現象として、最も適切なものはどれか。
選択肢を準備しています。「正解と解説を見る」は先に開けます。
正解と解説を見る
正解：2。モード崩壊（mode collapse）は、生成器が識別器をだましやすい一部のパターンばかりを作るようになる現象です。
1：過学習は学習データに合わせすぎて未知のデータで性能が落ちる現象で、GAN に限らない一般的な課題です。3：決定木を組み合わせる機械学習の手法の名前です。4：データの特徴の数を減らす処理です。