WGAN（Wasserstein GAN）は、従来のGANが抱えていた学習の不安定さやモード崩壊といった課題を解決するために提案された深層学習モデルです。確率分布間の類似度を測る指標としてワッサースタイン距離を導入することで、勾配消失を防ぎ、安定した高品質な画像生成などの学習を実現します。
WGANとは
WGANは、データの確率分布の乖離を測定する指標に「ワッサースタイン距離（地球移動距離）」を導入することで、従来のGANが抱えていた学習の不安定さを大幅に改善した敵対的生成ネットワークの拡張モデルです。
詳しく解説
従来のGAN（Generative Adversarial Networks）は、生成器（Generator）と識別器（Discriminator）が敵対的に学習する仕組みですが、ジェンセン・シャノン発散（JS発散）などの指標を用いていたため、2つの分布が重なりを持たない初期学習段階において勾配消失が発生しやすいという問題がありました。WGANでは、この指標をワッサースタイン距離（Wasserstein距離）に置き換えることで、分布が全く重なっていない状態でも滑らかな勾配を提供できるようになりました。これにより、生成器の学習が破綻しにくくなり、モデルの収束状況を定量的に評価することが可能になります。WGANの数学的整合性を保つためには、識別器（WGANではCriticと呼ばれる）が「リプシッツ連続性」という制約を満たす必要があります。初期のWGANでは、この制約を強制するために重みのクリッピング（Weight Clipping）という手法が用いられました。
具体例・使われ方
WGAN is、主に高品質な画像生成や画像の高解像度化（超解像）タスクにおいて活用されます。例えば、実在しない架空の人物の顔写真を生成する際、従来のGANでは一部の似たような画像ばかりが出力されるモード崩壊という現象が起きやすかったのに対し、WGANを用いることで多様性に富んだリアルな表情や背景を持つ画像を安定して生成することができます。また、医療画像（CTやMRI）のノイズ除去や、データ拡張によるマイノリティクラスのデータ補完など、生成データの信頼性が求められる領域でも広く応用されています。
似た用語との違い
従来のGANとの最大の違いは、最適化に使用される目的関数にあります。従来のGANは、本物と偽物を2値分類する確率的なアプローチを使用するため、識別器が優秀すぎると生成器へのフィードバック（勾配）が途絶えてしまいます。一方、WGANは2つの分布をどれだけ移動させれば重ね合わせられるかという「距離」を最小化する目的関数を採用しているため、識別器（Critic）がどれだけ最適化されても生成器の学習に必要な勾配が提供され続けます。これにより、両者の学習バランスを極端に調整する必要がなくなりました。
注意点
WGANは学習の安定性を大幅に向上させましたが、初期のWGANで導入された重みクリッピングは、ニューラルネットワークの表現力を制限したり、勾配爆発や勾配消失を完全に防ぎきれなかったりする欠点がありました。この課題を解決するために、後にペナルティ項を追加してリプシッツ連続性を保証する「WGAN-GP (WGAN with Gradient Penalty)」などの改良手法が提案されています。そのため、実務でWGANのコンセプトを利用する際は、オリジナルのWGANではなくWGAN-GPなどの派生アルゴリズムを選択することが推奨されます。