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」に出てくる用語です。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: 2026-10-02。
試験概要（公式）比較記事でさらに確認する
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
「大項目6 ディープラーニングの応用例」の問題で、取り違えやすい組み合わせです。
- 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 / 音声・強化学習
音声信号から人間の聴覚特性を考慮して抽出され、音声認識で古くから用いられてきた特徴量はどれか。
正解は「メル周波数ケプストラム係数」である。音声信号から人間の聴覚特性を考慮して抽出され、音声認識で古くから使われてきた特徴量はメル周波数ケプストラム係数。主成分分析（PCA）は次元削減、敵対的生成ネットワーク（GAN）は生成モデル、誤差逆伝播法は学習アルゴリズムであり、いずれも音声の特徴量ではない。4つの選択肢は「音声特徴量」「次元削減」「データ生成」「学習アルゴリズム」という異なる役割に分かれ、音声信号から抽出する特徴量に該当するのはメル周波数ケプストラム係数のみである。
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
大量かつ多様なデータで事前学習され、その後さまざまな下流タスクへ適応（ファインチューニング等）して幅広く応用できる大規模なモデルの総称はどれか。
正解は「基盤モデル（Foundation Model）」である。大量かつ多様なデータで事前学習し、その後さまざまな下流タスクへ適応して幅広く応用できる大規模モデルの総称が基盤モデル。敵対的生成ネットワーク（GAN）・変分オートエンコーダ（VAE）・畳み込みニューラルネットワーク（CNN）はいずれも特定の構造を持つモデルであり、多様なタスクに広く適応する総称ではない。GAN・VAE・CNNはそれぞれ生成器と識別器を競わせる構造、潜在変数を介した生成構造、畳み込み層を持つ構造という固有の構造を指す名称である点で、総称である基盤モデルとは性質が異なる。
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
学習データとして変換前の画像と変換後の画像が一対一に対応づけられた組を用意できない場合でも、ある画像群がもつ特徴を別の画像群がもつ特徴へ相互に変換できるように学習する、敵対的生成ネットワークを応用した画像変換の手法はどれか。
正解はCycleGAN。変換前後が一対一に対応づけられた画像の組（ペア）を用意できなくても、ある画像群がもつ特徴を別の画像群がもつ特徴へ相互に変換できるよう学習する手法である。Pix2Pixは対応するペア画像を前提とした画像変換、条件付きGAN（Conditional GAN）はラベルなどの条件を与えて生成物を制御する手法、StyleGANはスタイルを階層的に制御して高精細な画像を生成する手法であり、いずれも対応ペアが不要な相互変換を主目的とするものではない。 画像変換GANは教師データの対応関係で区別する。入力と出力のペアを必要とするPix2Pixではなく、変換の循環整合性を利用して対応なしの画像群から学習するCycleGANを選ぶ。条件による生成制御や高精細画像生成も設問の中心ではない。
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）