敵対的生成ネットワーク（GAN）

学習方法

ミニマックス敵対的目標関数が2つのネットワークを結びつけます。実践的なバリエーションでは、損失、正則化、正規化、条件付けを変更して訓練の安定化と出力制御を行います。

推論の実行方法

潜在変数をサンプリングし、生成器を1回実行することで、高速な生成が可能になります。インバージョンや編集には、組み込みの反復逆プロセスがないため、追加の機構が必要です。

強み

• •高速なワンパスサンプリング
• •限定された視覚ドメインにおけるシャープな出力
• •有用な条件付きおよび画像から画像へのバリエーション

トレードオフ

• •訓練の不安定性とモード崩壊
• •カバレッジと尤度は評価が困難
• •大規模なオープンなテキスト条件付き生成は他のファミリーへと移行しています

適する場合

• 低遅延サンプリングが制約されたドメインで重要である場合
• 実績のあるGANパイプラインがデータに適合し、制御可能である場合
• 多様性とカバレッジを明示的に評価する場合

避ける・再検討する場合

• 安定した訓練と広範なモードカバレッジが主な要件である場合
• チームがドメイン固有の評価を行わない場合
• より新しい拡散モデルや自己回帰ベースラインと比較していない場合