GAN（敵対的生成ネットワーク）

生成器（Generator）と識別器（Discriminator）の2つのネットワークを競わせて学習する生成モデル。生成器がリアルなデータを生成し、識別器がそれを見分ける過程で両者の性能が向上する。

偽データを作る生成器と、本物か偽物かを見分ける識別器を競わせて学習させる仕組み。両者が互いを高め合うことで本物に近いデータを生成できる。精巧な偽映像（ディープフェイク）の生成にも悪用される。

データに少しずつノイズを加えて完全なノイズにする過程を考え、その逆にノイズを段階的に取り除く過程をニューラルネットワークに学習させる生成モデル。生成時は純粋なノイズから出発して除去を繰り返し、画像などを作り出す。文章による条件付けで指示どおりの画像を作る画像生成AIの主流で、計算を軽くするため圧縮した潜在空間で処理する潜在拡散モデル（Stable Diffusionなど）が広く使われる。

音声や音楽を生成するAIモデル。文章を読み上げる音声合成（TTS）、少量の録音から特定の人の声を再現する声のクローン、文章の指示から楽曲や効果音を作るモデルなどがあり、音声の波形を直接生成するニューラルボコーダや、音声をトークンに変換して言語モデルで生成する方式が使われる。本人に似せた声による詐欺やなりすましへの悪用が問題になる。

文章による指示（プロンプト）や元の画像をもとに、新しい画像を生成するAIモデル。現在は拡散モデルが主流で、かつてはGANも広く使われた。画像の一部の描き直しや画風の変換もでき、広告やデザインの素材作成に使われる一方、著作物に似た画像の生成による権利侵害、偽画像（ディープフェイク）の作成が問題になる。

文章による指示や静止画をもとに、動画を生成するAIモデル。各コマの画質に加えて、コマ間で物体や人物の見た目と動きの一貫性を保つ必要があり、拡散モデルとTransformerを組み合わせた方式が使われ、画像の生成より大きな計算資源を要する。広告や映像制作の試作に使われる一方、実在の人物の偽動画による偽情報の拡散が懸念される。

人をだましたり社会を混乱させたりする目的で、意図的に作られ、拡散される虚偽の情報。偽情報ともいう。世論の誘導や詐欺などに使われ、生成AIによって精巧な偽の画像や動画が作りやすくなっている。

生体認証の際に、提示された顔や指紋などが、その場にいる生きた本人のものであるかを判定する技術。写真や動画、シリコン製の偽の指、ディープフェイクなどを使ったなりすましを防ぐもので、まばたきや顔の向きの変化を求める方式や、皮膚の質感、血流、奥行きなどを検出する方式がある。