Machine learningDeep learning / NLP / CV
説明可能なGAN
説明可能なGANは、生成モデルの内部ユニットや潜在空間の方向性が、生成される出力の特定の視覚的または構造的特徴をどのように引き起こすかを明らかにするために、解釈可能性技術を敵対的生成ネットワーク（GAN）に適用するものです。GANの学習と、ユニット分解や顕著性マップ、あるいは分離された潜在空間などの事後解析ツールを組み合わせることで、生成モデルの挙動を透明で監査可能なものにします。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- Bau, D., Zhu, J.-Y., Strobelt, H., Zhou, B., Tenenbaum, J. B., Freeman, W. T., & Torralba, A. (2019). GAN Dissection: Visualizing and Understanding Generative Adversarial Networks. In Proceedings of the International Conference on Learning Representations (ICLR 2019). link ↗
- Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2014). Generative Adversarial Nets. In Advances in Neural Information Processing Systems (NeurIPS 2014), 27. link ↗
このページの引用方法
ScholarGate. (2026, June 3). Explainable Generative Adversarial Network. ScholarGate. https://scholargate.app/ja/deep-learning/explainable-gan
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- 拡散モデル深層学習↔ compare
- 説明可能な画像分類深層学習↔ compare
- Generative Adversarial Network深層学習↔ compare
- Variational Autoencoder深層学習↔ compare