G検定 用語解説
敵対的生成ネットワーク（GAN）とは
本物に近いデータを作る生成器と、本物か生成物かを見分ける識別器を互いに競わせながら学習させることで、高品質なデータ生成を実現する枠組み（Generative Adversarial Network）。
まず押さえる結論
敵対的生成ネットワーク（GAN）は、G検定の「大項目6 ディープラーニングの応用例」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-07-03。
試験概要（公式）試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×物体検出（R-CNN系/YOLO/SSD）とセグメンテーション（セマンティック＝画素単位の塗り分け、インスタンス＝個体ごとに区別）の混同。
×word2vec・BERT・GPTの違い（BERT＝前後両方向、GPT＝一方向・自己回帰）。
×強化学習の応用（DQN、AlphaGo）と画像/言語タスクの取り違え。
関連する確認問題
大項目6 ディープラーニングの応用例 / 画像認識・物体検出
画像を小さなパッチに分割してそれらを系列として扱い、自然言語処理で成果を上げた自己注意（Self-Attention）の仕組みを画像認識に応用したモデルはどれか。
正解はVision Transformer（ViT）。画像を小さなパッチに分割して系列として扱い、自然言語処理で成果を上げた自己注意（Self-Attention）の仕組みを画像認識に応用したモデルで、畳み込みを用いずに高い性能を示した。畳み込みニューラルネットワーク（CNN）は畳み込みで画像の特徴を抽出する従来の手法、リカレントニューラルネットワーク（RNN）は系列を再帰的に処理する手法、敵対的生成ネットワーク（GAN）はデータ生成の手法であり、いずれも自己注意を画像認識に応用したモデルではない。 画像の表現単位と中心演算を照合する。RNNは隠れ状態を再帰更新し、GANは生成器と識別器を競わせ、CNNはカーネルで局所領域を畳み込む。画像パッチをトークンのように並べTransformerへ入力するのはVision Transformerである。
大項目6 ディープラーニングの応用例 / 生成AI・基盤モデル
敵対的生成ネットワーク（GAN）を構成する2つのネットワークの役割の組み合わせとして、正しいものはどれか。
正解は「生成器が本物らしいデータを作り、識別器が本物か偽物かを見分ける」である。GAN（敵対的生成ネットワーク）は、生成器（Generator）が本物らしい偽データを作り出し、識別器（Discriminator）が本物か偽物かを見分けるよう、両者を競い合わせて学習させる。役割を入れ替えた選択肢や、両者が分類のみを行うとする選択肢は誤り。生成器はデータを作る側、識別器は真偽を見分ける側と固定する。保存、学習率、パラメータ数の決定はこの2つの役割ではなく、両方を分類器として扱うとデータを生成する側がなくなる。
大項目6 ディープラーニングの応用例 / 生成AI・基盤モデル
2つのネットワークを競い合わせ、一方が本物らしいデータを作り出し、もう一方が本物と偽物を見分けるよう交互に学習させることで、高品質なデータ生成を目指す手法はどれか。
正解は「敵対的生成ネットワーク（GAN）」である。GANは本物らしいデータを作る生成器と、真偽を見分ける識別器を競わせて交互に学習することで、高品質なデータ生成を目指す。VAEは確率的な潜在変数を用いる生成モデル、拡散モデルはノイズの付与と除去で生成する手法、オートエンコーダは入力の再構成を学ぶものであり、いずれも2つのネットワークの競合という枠組みではない。設問は「2つのネットワークを競い合わせる」という構造を問うており、これに該当するのはGANだけである。
同じ章で確認したい用語
到達チェック
- 敵対的生成ネットワーク（GAN）を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、敵対的生成ネットワーク（GAN）に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）