敵対的生成ネットワーク（GAN）のミニマックス原理

GANはミニマックスゲーム min_G max_D V(D, G) を解きます。理想的なナッシュ均衡点では、生成器が完璧なデータを生成し、識別器はコイントス（正解率50%、D(x)=0.5）でしか判別できなくなります。 ア：正解です。「偽札作り（生成器）」と「警察（識別器）」の競争のアナロジーで知られる敵対的学習です。 イ：誤りです。2つの独立したネットワークであり、一方が最大化、他方が最小化を目指す敵対関係です。 ウ：誤りです。均衡点において識別器は本物と偽物を区別できなくなり、確率 0.5（50%）を出力します。 エ：誤りです。明示的な密度推定を行わず、サンプリングのみを行う暗黙的生成モデル（Implicit Generative Model）です。

Goodfellowらが提案したGAN（Generative Adversarial Networks: 敵対的生成ネットワーク）に関する記述として、最も適切なものを1つ選択してください。

出典G検定オリジナル模擬試験
ア
本物そっくりの偽データを生成しようとする生成器（Generator）と、入力が本物か偽物かを正確に見破ろうとする識別器（Discriminator）の2つのネットワークを敵対的に競い合わせて学習させる。
イ
GeneratorとDiscriminatorは完全に同一の重みを共有し、互いに協力して同一の目的関数を最大化する。
ウ
学習が最適に収束したとき、識別器が本物データと生成データを識別できる正解率は 100%（完全に識別できる状態）になる。
エ
GANは明示的な確率密度関数 p(x) を数式として直接算出し、尤度を最大化するモデルである。