ＧＡＮ（3/4）ＧＡＮの特徴
はぐれ弁理士 PA Tora-O です。前回（第２回）では、ＧＡＮの実施例について説明しました。改めて復習されたい方は、こちらのリンクから確認をお願いします。今回（第３回）は、ＶＡＥと比較した場合のＧＡＮの強みについて解説します。
ＶＡＥとＧＡＮ
まず、比較対象であるＶＡＥ（Variational Autoencoder）の特徴について軽く触れます。必要であれば、以下のリンクから復習してください。
事例 #015 ＶＡＥ
ＶＡＥは、学習データセットを潜在的空間（Latent Space）上の特徴ベクトル｛ｚ｝として埋め込み、ＡＥの学習完了後にエンコーダ部分を切り離すことで、特徴ベクトル｛ｚ｝から様々なデータを生成する生成器（デコーダ部分）を構築する手法です。
ＶＡＥでは、通常のＡＥとは異なり、学習データセットを構成する個々の学習データのみならず、その学習データ同士の中間状態を確率論的に表現することで、複数の学習データを尤もらしくアレンジして新たなデータを創作する能力をデコーダに学習させます。つまり、ＶＡＥは、学習データの再現精度よりも、生成データの中間表現力に重点を置いた手法であると言えます。
これに対して、前回（第２回）に説明した元祖ＧＡＮ（Vanilla GAN）は、学習データセットを潜在的空間上の特徴ベクトル｛ｚ｝として埋め込む点では共通しますが、学習データセットを構成する個々の学習データが何処の小領域に属するか、という領域区画問題を解いています。つまり、学習データ同士の中間状態を排他的に表現することで、学習データの完コピ（Exact Copy）を目指しています。このように、元祖ＧＡＮは、生成データの中間表現力は一切無視して、学習データの再現精度に特化した手法であると言えます。
以上の考察から、元祖ＧＡＮは、生成モデルというよりも、学習データと同一物を人工的に生成する再現モデルと分類されるべきでしょう。
ＧＡＮの拡張性
それでは、ＧＡＮは、新しいデータを人工的に生み出すという意味での「生成モデル」として不向きなのでしょうか？ 答えは、ＮＯです。その理由について、ＣＧＡＮ（Conditional GAN）の例を挙げて説明しましょう。以下、ＣＧＡＮの構成の一例を図１に示します。
ＣＧＡＮのネットワーク構成は、元祖ＧＡＮの場合と基本的には同じです。ところが、生成器および弁別器に入力されるデータが異なります。具体的には、ＣＧＡＮでは、元祖ＧＡＮにおける入力データ（Ｇ：ノイズ／Ｄ：データｂ）に対して、これとは全く別のデータ（ここでは、データＡ）がそれぞれ追加されています。つまり、生成器の機能のみに注目すると、両者の違いは次のように表現できます。
元祖ＧＡＮ：無から「データｂ（≒Ｂ）」を生成
ＣＧＡＮ ：「データＡ」から「データｂ（≒Ｂ）」に変換
ここで、データＡ，Ｂは、任意の形式であり、互いに同種であってもよいし、異種であっても構いません。一例として、ＣＧＡＮを用いたデータ変換結果を図２に示します。
出展：Conditional Generative Adversarial Nets（一部加工あり）
我々の理解としては、ＣＧＡＮが「データＡ＝任意」である一般モデルであり、元祖ＧＡＮが「データＡ＝ＮＯＮＥ」である特殊モデルと捉えればよいでしょう。そのように考えると、｛ｚ｝をノイズと表現することに納得できますね。
ＧＡＮの本質
このように、ＣＧＡＮまで発展すれば、ＧＡＮはとても拡張性・応用性が高いモデルであると想像できるでしょう。その理由が、ＧＡＮという発明の本質に繋がると思われます。それでは、何故でしょうか？ 答えは、意外とシンプルです。
ＧＡＮの弁別器が、入力データの真贋判定しか行わない、生成器とは独立したニューラルネットワークだから。（５０文字）
テーマ最終回（第４回）では、この発言の真意を明確にすべく一連の発明ストーリーを作成しつつ、全体を総括します。
↓ブログランキングに参加しています。よろしければ１クリックお願いします。
