GAN（敵対的生成ネットワーク）

Generator と Discriminator の 2 ネットワークを競合させて学習する生成モデル。Generator はノイズ $z$ から偽データを生成し、Discriminator は本物（実データ=ラベル1）と偽物（生成データ=ラベル0）を識別する。両者を交互に最適化し、Generator が Discriminator を騙せるようになるとデータ分布を捉えた生成が可能になる。

学習ループ

• Discriminator 更新: 実データに対する損失 loss_real（目標1）と生成データに対する損失 loss_fake（目標0）の和を最小化。
• Generator 更新: 生成データを Discriminator に通し、目標を「本物（1）」として騙すよう損失を最小化。

実装上は Generator が LeakyReLU + tanh の MLP、Discriminator が LeakyReLU + Dropout + sigmoid の MLP といった素朴な構成（MNIST 生成）から始められる。

派生

• cyclegan-generator / cyclegan-discriminator（CycleGAN）: 対応ペアのない 2 ドメイン間の画像変換。Cycle consistency でペアなし変換を学習。
• VQGAN: ベクトル量子化を組み込んだ GAN で、触覚画像のコンパクトな潜在表現学習（UniT, ManiFeel 文脈）にも応用される。

GAN は variational-autoencoder や diffusion-model と並ぶ深層生成モデルの一系統で、Deepfake 検出などの応用・対策の対象にもなる。

関連

• variational-autoencoder / diffusion-model
• pytorch
• _moc-ml-robotics（ml-robotics クラスタの atomic ノート群）