敵対的生成ネットワークとは
敵対的生成ネットワークは、GAN（Generative Adversarial Network）とも呼ばれる、2つのニューラルネットワークが相互に競争することでデータ生成能力を高める深層学習の枠組みです。イアン・グッドフェローが2014年に提案したこの手法は、教師なし学習における生成モデルの大きなブレークスルーとなりました。
敵対的学習の仕組み
敵対的生成ネットワークの核心は、生成器と識別器のゲーム理論的な対立関係にあります。生成器はランダムなノイズベクトルから偽のデータサンプルを作り出し、識別器はそのサンプルが本物か偽物かを判定します。この二人零和ゲームを繰り返すことで、生成器は本物と見分けがつかないデータを生成できるようになります。
学習の安定化手法
敵対的生成ネットワークの学習は不安定になりやすく、さまざまな安定化手法が開発されました。Wasserstein GAN（WGAN）はEarth Mover距離を用いて学習を安定化し、Spectral Normalizationは識別器のリプシッツ定数を制約して学習を安定させます。Progressive GAN（PGGAN）は低解像度から段階的に高解像度の画像を生成する手法で、学習の安定性と生成品質の両立を実現しました。
敵対的生成ネットワークの社会的影響
敵対的生成ネットワークはディープフェイク（偽動画・偽画像の生成）にも利用されるなど、社会的な課題も提起しています。一方で、データ増強、超解像、画像修復、創薬など、正当な用途での活用も進んでいます。敵対的学習の考え方はGANに限らず、敵対的訓練やドメイン適応などの分野にも応用されています。