情報処理試験を勉強していると、「GAN（敵対的生成ネットワーク）って何？生成AIと何が違うの？」と混乱しがちです。
対象試験と出題頻度
GAN（敵対的生成ネットワーク）は、基本情報技術者・応用情報技術者の出題範囲に含まれるテーマです。
IPAシラバス（FE ver9.0 / AP ver7.2）で「ディープラーニング」の関連用語として明記されており、生成モデルの代表例として他のAI用語と合わせて問われます。
詳細をクリックして確認
基本情報技術者
応用情報技術者
★★★☆☆
ランクC（応用）余裕があれば覚える
用語の定義
GAN（Generative Adversarial Network / 敵対的生成ネットワーク）とは、一言で言うと
「偽データを作る”生成器”と、本物か偽物かを見破る”識別器”を競わせて学習させるディープラーニングの手法」
のことです。2014年にIan Goodfellowらが発表しました。
イメージとしては、「贋作師と鑑定士の勝負」です。
贋作師（生成器）は本物そっくりの絵画を作ろうとし、鑑定士（識別器）はそれが本物か偽物かを見抜こうとします。互いに腕を磨き合ううちに、贋作師の作品は本物と区別がつかないレベルになっていきます。
GANの学習は、まさにこの競争の繰り返しです。
📊 GANの基本情報
| 項目 | 内容 |
|---|---|
| 正式名称 | Generative Adversarial Network（敵対的生成ネットワーク） |
| 分類 | ディープラーニング（深層学習）の生成モデル |
| 構成要素 | 生成器（Generator）と 識別器（Discriminator） |
| 発表 | 2014年 Ian Goodfellow ら |
| 代表的な用途 | 画像生成、超解像、スタイル変換 など |
解説
従来の機械学習は「入力データからパターンを見つけて分類・予測する」ことが主な目的でした。しかし、「まったく新しいデータを生み出す」ことは難しい課題として残っていました。
この課題に対して「2つのネットワークを敵対させる」という発想で突破したのがGANです。
生成器と識別器の仕組み
GANの中核は、役割の異なる2つのニューラルネットワークです。
| 要素 | 英語名 | 役割 |
|---|---|---|
| 生成器 | Generator | ランダムなノイズを入力として受け取り、本物に似せたデータ（画像など）を生成する。目標は「識別器を騙せるほどリアルなデータを作ること」 |
| 識別器 | Discriminator | 受け取ったデータが「本物の訓練データ」か「生成器が作った偽物」かを判定する。目標は「本物を真、偽物を偽と正しく見抜くこと」 |
学習の流れは次の通りです。生成器がランダムノイズから偽データを作り、識別器は本物のデータと偽データの両方を受け取って真偽を判定します。識別器の判定結果をもとに、生成器は「もっと騙せるように」、識別器は「もっと正確に見抜けるように」とパラメータを更新していきます。
この敵対的な学習を繰り返すことで、最終的に生成器は本物と区別がつかないデータを出力できるようになります。
図解：GANの学習フロー
GANの学習フロー
偽データを生成
本物？ or 偽物？
生成器：「もっとリアルに作れ」
識別器：「もっと正確に見抜け」
▲ 2つのネットワークが互いに改善し合うことで、生成データの品質が向上する
VAE（変分オートエンコーダ）との違い
GANと並んで試験シラバスに登場する生成モデルに VAE（Variational Autoencoder）があります。両者は「新しいデータを生み出す」という目的は同じですが、アプローチが異なります。
| 比較項目 | GAN | VAE |
|---|---|---|
| 構造 | 生成器 vs 識別器の敵対構造 | エンコーダ＋デコーダの再構成構造 |
| 学習方法 | 2つのネットワークの競争 | 入力データを潜在空間に圧縮→復元 |
| 生成の傾向 | シャープで高品質な出力 | やや平滑化されるがバリエーション豊富 |
| 弱点 | 学習が不安定になりやすい（モード崩壊） | 出力がぼやけやすい |
では、この用語が試験でどのように出題されるか見ていきましょう。
💡 GANの核心を3行で
・生成器（Generator）と識別器（Discriminator）の2つのネットワークを敵対的に学習させるディープラーニング手法
・生成器は「識別器を騙す偽データ」を作り、識別器は「本物と偽物を見分ける」ことを目指す
・画像生成、超解像、スタイル変換など幅広い分野で応用される
試験ではこう出る！
GANは、IPAシラバスの改訂（FE ver8.0 / AP ver7.0 以降）で出題範囲に追加された比較的新しいキーワードです。GANそのものをピンポイントで問う過去問はまだ多くありませんが、ディープラーニング全般の出題の中で関連知識として登場します。
📊 関連する出題実績
| 試験回 | 出題内容 | GANとの関連 |
|---|---|---|
| AP R3秋 午前 問3 |
ディープラーニングに最も関連が深いものを選ぶ。正解は「神経回路網を模倣した多層モデル」 | GANの土台であるニューラルネットワークの理解が前提になる問題 |
| AP R1秋 午後 問3 |
ニューラルネットワークをテーマにしたプログラミング問題。パーセプトロンの構造を問う | GANの構成要素であるニューラルネットワークの詳細が問われた |
| IP R6 問95 |
ディープラーニングに用いられる技術として正しいものを選ぶ。正解は「ニューラルネットワーク」 | GANが属するディープラーニングの基礎を問う問題 |
📝 想定される出題パターン
パターン1：「GANの説明として正しいものを選べ」
選択肢にGAN、VAE、RNN（再帰的ニューラルネットワーク）、CNN（畳み込みニューラルネットワーク）の説明が並ぶ形式。「生成器と識別器を競わせる」がGANを見抜くキーワードになる。RNNの「時系列データ」やCNNの「画像の特徴抽出」と混同しないことがポイント。
パターン2：「ディープラーニングの手法を選べ」
AP R3秋 午前問3のように、ディープラーニングの特徴を選ばせる問題。ここでGANが選択肢に含まれるか、あるいはGANの前提知識（ニューラルネットワーク・多層構造）が問われる。「エキスパートシステム」「遺伝的アルゴリズム」がひっかけになる。
試験ではここまででOKです。DCGANやStyleGANなどの派生モデルまで問われることはないので、深追いは不要です。ここだけは確実に押さえてください：「生成器（Generator）と識別器（Discriminator）の2つで構成」。これが答えの決め手になります。
【確認テスト】理解度チェック
ここまでの内容を理解できたか、簡単なクイズで確認してみましょう。
Q. GAN（敵対的生成ネットワーク）の説明として、最も適切なものはどれでしょうか？
- A. 生成器と識別器の2つのニューラルネットワークを競わせて学習させることで、本物に近いデータを生成する手法である。
- B. 入力データをエンコーダで潜在空間に圧縮し、デコーダで復元することで新たなデータを生成する手法である。
- C. 時系列データを扱うために、過去の出力を次の入力にフィードバックする再帰的な構造を持つニューラルネットワークである。
正解と解説を見る
正解：A
解説：
GANは生成器（Generator）と識別器（Discriminator）の2つのネットワークを敵対的に学習させる手法です。生成器は「識別器が偽物を本物と誤判定する確率」を最大化するように、識別器は「本物を真・偽物を偽と判定する確率」を最大化するように、それぞれパラメータを更新します。
選択肢Bは VAE（変分オートエンコーダ）の説明です。VAEはエンコーダとデコーダの対で構成される生成モデルであり、敵対的な競争構造は持ちません。選択肢CはRNN（再帰的ニューラルネットワーク）の説明です。RNNは自然言語処理や音声認識で使われる手法で、生成器と識別器による敵対学習とは無関係です。
よくある質問（FAQ）
Q. GANと最近話題の生成AI（ChatGPTなど）は同じ技術ですか？
異なります。ChatGPTに代表される大規模言語モデル（LLM）はTransformerアーキテクチャを基盤としており、GANとは構造が根本的に違います。GANは主に画像生成の分野で成果を挙げた手法です。ただし、どちらも「新しいデータを生み出す」生成モデルに分類される点は共通しています。
Q. GANの「モード崩壊」とは何ですか？
モード崩壊（Mode Collapse）とは、生成器が「識別器を騙せる特定のパターン」だけを繰り返し出力してしまい、バリエーション豊かなデータを生成できなくなる現象です。たとえば、人間の顔画像を生成するGANが、似た顔ばかりを出力する状態がこれに該当します。IPA試験の範囲では深掘りされないため、「学習が不安定になることがある」という程度の理解で十分です。
Q. GANと敵対的サンプル（Adversarial Examples）は関係がありますか？
名前に「敵対的」が含まれる点で混同されやすいですが、目的がまったく異なります。GANは「リアルなデータを生成する」ための学習手法です。一方、敵対的サンプルは「AIの判定を意図的に誤らせる」ための攻撃手法で、入力データに人間には知覚できない微小なノイズを加えて誤認識させます。試験では両者を取り違えないよう注意してください。
Q. 実務ではGANはどのような場面で使われていますか？
代表的な活用例としては、存在しない人物の顔写真生成、低解像度画像を高精細にする超解像（Super Resolution）、写真を絵画風に変換するスタイル変換、医療画像の学習データ拡張などがあります。また、データ不足の分野で疑似データを生成して訓練データを補う「データオーグメンテーション」にも利用されています。
