イアン・グッドフェローらによって2014年に提案された生成モデル。
正解データを与えることなく特徴を学習する教師なし学習の一手法。
ヤン・ルカンは、「敵対的生成ネットワーク(GAN)は、この10年間で最も興味深いアイデアである」とコメントした。

GANは、偽造者(ジェネレーター/Generator)警官(ディスクリミネーター/Discriminator)の2つのネットワークから構成される。
ジェネレーターは、ディスクリミネーターを騙せるような偽物画像を作るように学習する。
(学習用画像の潜在空間のベクトルを入力とし、それに従い類似画像を生成する。)
ディスクリミネーターは、ジェネレーターが生成した偽物を識別できるように学習する。
偽物データと本物データを入力として受け取り、真偽を予測して出力する。
この予測結果が、ジェネレーターへフィードバックされる。

ジェネレーターとディスクリミネーターの関係性は、紙幣の偽造に例えられる。
偽造者(ジェネレーター)は、本物に近い偽札を作ろうとする。
警官(ディスクリミネーター)は、それが偽札であると見抜く。
すると偽造者は、より精巧な偽札を作り出すように技術を発展させる・・・
このような「いたちごっこ」が繰り返されることで、本物に近い偽札が生成される。

ジェネレーターにはランダムノイズを入力する。
ランダムノイズを本物のデータに近づけるように写像することで、新たなデータを生成する。
入力値にランダム性を持たせることで、生成されたデータにもバリエーションを持たせることができる。

2015年には、畳み込みニューラルネットワーク(CNN)で見られるような畳み込み層をネットワークに適用したDCGANが提案された。