Skip to content
検索結果に戻る

Generative Adversarial Network

提唱者
Goodfellow, I. et al.
年
2014
種類
Generative deep learning (adversarial two-network game)

この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む

文字サイズ

何をする手法か?

Generative Adversarial Network(GAN)は、2014年にIan Goodfellowらが導入したもので、2つのニューラルネットワーク、すなわちジェネレータとディスクリミネータの競争を通じて、現実的な合成データを生成する。画像合成、データ拡張、分布推定に広く用いられている。

手法の背後にある直感

偽造者と探偵が競い合う様子を想像してほしい。ジェネレータ(偽造者)は、本物と見分けがつかないほど説得力のある偽のサンプルを作成しようとし、ディスクリミネータ(探偵)は、本物のデータと偽物を区別しようとする。それぞれが自身の仕事に習熟するにつれて、ジェネレータはますます現実的な出力を生成せざるを得なくなり、最終的にはその偽物は本物のデータと区別するのが困難になる。

歴史学

Generative Adversarial Networkは、2014年にIan Goodfellowらによって導入され、ジェネレータとディスクリミネータの2者間ゲームとして生成をフレーム化した。このアイデアは、画像合成や変換のための大規模なバリアントファミリーを生み出した。Karrasらは(2020年)、StyleGANで画像品質を大幅に進歩させ、その生成忠実度を分析・改善した。より最近では、高品質生成のための有力な代替手段として拡散モデルが登場している。

使うべき場面

画像合成、データ拡張、または分布推定など、現実的な合成サンプルを生成する必要があり、画像や音声のような高次元連続データから、十分な大きさのデータセット(最低約500観測値、できれば1000以上が望ましい)がある場合にGANを使用する。正規分布を仮定しないが、GPUリソースが必要であり、ジェネレータとディスクリミネータのバランスをモード崩壊のために監視する必要がある。小規模なデータセットでは、敵対的バランスを確立できないため、変分オートエンコーダやより単純なデータ拡張アプローチの方が安全である。

限界と注意点

  • トレーニングが不安定で、ジェネレータがデータ分布の狭い部分しかカバーしないモード崩壊を起こしやすい。
  • GPUと相当量のトレーニングデータが必要 — 通常、最低500観測値、実際には1000以上。
  • 約1000サンプル未満では、ジェネレータとディスクリミネータのバランスを確立できず、モード崩壊のリスクが非常に高くなる。
  • 約500サンプル未満では、モデルは現実的なデータを全く生成できず、拡張の代替手段が好ましい。

出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。

強み

  • 画像や音声を含む、非常に現実的な合成データを生成する。
  • 正規分布データを必要とせず、高次元連続入力を処理する。
  • 本物のラベル付きサンプルが少ない場合のデータ拡張に有用。
  • 予測と探索的な分布推定の両方の目的に適している。

応用

  • 画像合成と現実的な視覚コンテンツの生成。
  • 希少なトレーニングデータセットを拡張するためのデータ拡張。
  • 高次元連続データの分布推定。
  • 音声および信号合成。

使い方

使い方

1

互いに反対の目標を持つ2つのネットワークが設定される。ジェネレータは、本物のデータ分布を模倣することを目的として、ランダムノイズを合成サンプルにマッピングする。ディスクリミネータは、本物のサンプルと生成されたサンプルの両方を受け取り、どちらがどちらであるかを分類するように学習する。データは通常高次元(画像、音声)であるため、トレーニングには通常GPUが必要となる。

2

2つのネットワークは、ミニマックスゲームとして一緒にトレーニングされる。ディスクリミネータは、本物と偽物を分離する能力を最大化するように更新され、ジェネレータはディスクリミネータの成功を最小化するように更新される、すなわち、ディスクリミネータを騙すように更新される。共有される目的が両方のネットワークを結びつけ、一方の改善がもう一方に圧力をかける。

数式
\min_G \max_D \; \mathbb{E}_{x}[\log D(x)] + \mathbb{E}_{z}[\log(1 - D(G(z)))]
3

トレーニングは、ジェネレータのサンプルが本物の分布に非常に近くなり、ディスクリミネータがそれらを確実に区別できなくなる平衡点に近づくまで継続される。両方のネットワーク間のバランスは注意深く監視する必要がある。なぜなら、不安定性はモード崩壊を引き起こす可能性があり、その場合ジェネレータは可能な出力の狭い範囲しか生成しなくなるからである。

よくある落とし穴

  • データが少なすぎて敵対的バランスが失敗し、モード崩壊につながるトレーニング。
  • モード崩壊を監視せず、サンプル多様性を確認せずに多様な出力を想定すること。
  • 高次元の画像または音声データに対してGPUリソースなしでトレーニングを試みること。
  • 変分オートエンコーダまたは単純な拡張の方が信頼性が高い小規模データセットでGANを使用しようとすること。

よくある質問

モード崩壊とは何か?

モード崩壊は、ジェネレータが本物のデータの完全な多様性をカバーするのではなく、ディスクリミネータを確実に騙す狭い範囲の出力しか生成しないように学習した場合に発生する。これはGANトレーニングの中心的な失敗モードであり、特に小規模データセットでは、トレーニング全体を通じてサンプル多様性を監視する必要がある。

どのくらいのデータが必要か?

GANには相当量のデータセットが必要である。約500観測値が実用的な最小値だが、約1000未満ではジェネレータとディスクリミネータのバランスを確立するのが難しく、モード崩壊のリスクが高くなる。データが非常に少ない場合は、変分オートエンコーダまたはより単純な拡張方法がより安全な選択肢である。

GPUは必要か?

実際には必要である。GANは画像や音声のような高次元データで動作し、2つの競合するネットワークのトレーニングは計算集約的であるため、GPUは実質的に必要とされる。

GANは拡散モデルとどう違うのか?

GANは2つのネットワークの敵対的競争を通じて生成するため、トレーニングは高速だが不安定である。一方、拡散モデルは段階的なノイズ付加プロセスの逆学習を行い、高品質生成のための強力な代替手段となっている。

関連する手法

参考文献

  1. Goodfellow, I. et al. (2014). Generative Adversarial Nets. NeurIPS.

    出版物の文献を開く
    コピーしました。
  2. Karras, T. et al. (2020). Analyzing and Improving the Image Quality of StyleGAN. CVPR.

    DOI 文献を開く
    コピーしました。