生成対向ネットワーク（GAN）は、データを生成する生成器と本物か判定する識別器の2つのAIを競わせることで、高精度なデータを生成する深層学習アルゴリズムです。写真のようにリアルな画像生成や高解像度化などで成果を上げており、生成AIの発展に大きく貢献しました。
生成対向ネットワークとは
生成対向ネットワーク（GAN）とは、データを生成する「生成器」と、それが本物か偽物かを判定する「識別器」という2つのニューラルネットワークを競い合わせることで、実物と区別がつかない高品質なデータを作り出す深層学習アルゴリズムです。
詳しく解説
生成対向ネットワークは2014年に提案されたAIモデルです。本モデルは、偽札を作る職人に例えられる生成器と、偽札を見破る警察官に例えられる識別器で構成されます。生成器は潜在空間からのランダムなノイズを基にデータを生成し、識別器はそれが本物の訓練データか生成器の作った偽物かを判定します。両者が互いに精度を高め合う学習プロセスを通じて、最終的に極めて精巧な画像や音声を生成できるようになります。実装には畳み込みニューラルネットワークなどがよく用いられます。
具体例・使われ方
主な利用例として、実在しない人物のリアルな顔画像の生成や、低解像度画像の超解像化、画風の変換などが挙げられます。また、医療分野での画像データの補強や、デザイン分野での新しいコンセプト画像の自動作成など、クリエイティブな用途からデータ増強まで幅広く活用されています。
似た用語との違い
同じ画像生成モデルである拡散モデルとの違いは学習と生成の仕組みにあります。拡散モデルはノイズの除去プロセスを段階的に繰り返して画像を生成しますが、生成対向ネットワークは識別器との対向学習によって一回の計算で画像を生成できるため、生成スピードが比較的速い傾向にあります。また、変分オートエンコーダ（VAE）と比較すると、より鮮明で高精細な画像を生成しやすい特徴があります。
注意点
学習の安定性が低い点が主な課題です。生成器が特定のパターンのデータしか生成しなくなるモード崩壊と呼ばれる現象や、学習が収束しない問題が発生しやすいため、パラメータ調整が難しいとされています。また、ディープフェイクなど悪用リスクや倫理的な問題にも注意が必要です。