生成対抗ネットワーク（GANs）は、クラスラベル情報が提供される場合、つまり条件付きGANの設定において、系統的により高品質なサンプルを生成します。これは、最近提案されたWasserstein GANのフォーミュレーションでも観察され、敵対的訓練を安定させ、ResNetなどの高容量ネットワークアーキテクチャの考慮を可能にしています。本研究では、利用可能なクラスラベルを拡張することで、条件付きGANの性能を向上させる方法を示します。新しいクラスは、同じGANモデルによって学習された表現空間でのクラスタリングから得られます。提案する戦略は、クラス情報が全く利用できない場合、つまり非監督設定でも実現可能です。我々が生成したサンプルは、CIFAR-10およびSTL-10データセットにおいて、監督設定と非監督設定の両方で最先端のInceptionスコアに達しています。注：- "Generative Adversarial Networks" は「生成対抗ネットワーク」（または「ジェネレーティブ・アドバーシャリー・ネットワーク」）と訳しました。- "class label information" は「クラスラベル情報」と訳しました。- "conditional GAN" は「条件付きGAN」と訳しました。- "Wasserstein GAN" はそのまま使用しました。- "representation space" は「表現空間」と訳しました。- "clustering" は「クラスタリング」と訳しました。- "unsupervised setup" は「非監督設定」と訳しました。- "Inception scores" は「Inceptionスコア」と訳しました。- データセット名 "CIFAR-10" と "STL-10" はそのまま使用しました。