14 教師なし学習
　14.1 教師なし学習モデルの分類
　14.2 良い生成モデルはどうやってできるか
　14.3 性能の定量評価
　14.4 まとめ
　Notes
15 生成的敵対ネットワーク
　15.1 信号としての識別
　　15.1.1 GA損失関数
　　15.1.2 GANの訓練
　　15.1.3 深層畳み込GAN
　　15.1.4 GAN訓練の難しさ
　15.2 安定性の向上
　　15.2.1 GAN損失関数の分析
　　15.2.2 勾配消滅
　　15.2.3 Wasserstein距離
　　15.2.4 離散分布Wasserstein距離
　　15.2.5 連続分布Wasserstein距離
　　15.2.6 WassersteinGAN損失関数
　15.3 累進的成長，ミニバッチ識別，切り捨て
　15.4 条件付き生成
　　15.4.1 条件付GAN
　　15.4.2 補助分類器GAN
　　15.4.3 InfoGAN
　15.5 画像翻訳
　　15.5.1 Pix2Pix
　　15.5.2 敵対的損失
　　15.5.3 CycleGAN
　15.6 StyleGAN
　15.7 まとめ
　Notes
　演習問題
16 正規化フロー
　16.1 1次元の例
　　16.1.1 確率の測定
　　16.1.2 前方マッピングと逆マッピング
　　16.1.3 学習
　16.2 一般的なケース
　　16.2.1 深層ニューラルネットワークにおける前方マッピング
　　16.2.2 ネットワーク層の要件
　16.3 可逆ネットワーク層
　　16.3.1 線形フロー
　　16.3.2 要素ごとのフロー
　　16.3.3 結合フロー
　　16.3.4 自己回帰フロー
　　16.3.5 逆自己回帰フロー
　　16.3.6 残差フロー：iRevNet
　　16.3.7 残差フローと縮小写像：iResNet
　16.4 マルチスケールフロー
　16.5 応用例
　　16.5.1 密度のモデル化
　　16.5.2 合成
　　16.5.3 他の密度モデルの近似
　16.6 まとめ
　Notes
　演習問題
17 変分オートエンコーダ
　17.1 潜在変数モデル
　　17.1.1 例：混合ガウス
　17.2 非線形潜在変数モデル
　　17.2.1 生成
　17.3 訓練
　　17.3.1 証拠下限（ELBO）
　　17.3.2 Jenseの不等式
　　17.3.3 下限の導出
　17.4 ELBOの性質
　　17.4.1 下限の厳密性
　　17.4.2 ELBO=再構成損-事前確率へのKL距離
　17.5 変分近似
　17.6 変分オートエンコーダ
　　17.6.1 VAアルゴリズム
　17.7 再パラメータ化の手法
　17.8 応用例
　　17.8.1 サンプル確率の近似
　　17.8.2 生成
　　17.8.3 再合成
　　17.8.4 分離
　17.9 まとめ
　Notes
　演習問題
18 拡散モデル
　18.1 概要
　18.2 エンコーダ（前方処理）
　　18.2.1 拡散カーネq(zt|x)
　　18.2.2 周辺分q(zt)
　　18.2.3 条件付き分q(zt−1|zt)
　　18.2.4 条件付き拡散分q(zt−1|ztx)
　18.3 デコーダモデル（逆処理)
　18.4 訓練
　　18.4.1 証拠下限（ELBO)
　　18.4.2 ELBOの簡単化
　　18.4.3 ELBOの分析
　　18.4.4 拡散損失関数
　　18.4.5 訓練手続き
　18.5 損失関数の再パラメータ化
　　18.5.1 目標の再パラメータ化
　　18.5.2 ネットワークの再パラメータ化
　18.6 実装
　　18.6.1 画像への適用
　　18.6.2 生成速度の向上
　　18.6.3 条件付き生成
　　18.6.4 生成品質の向上
　18.7 まとめ
　Notes
　演習問題
19 強化学習
　19.1 マルコフ決定過程，リターン，ポリシー
　　19.1.1 マルコフ過程
　　19.1.2 マルコフ報酬過程
　　19.1.3 マルコフ決定過程
　　19.1.4 部分観測可能マルコフ決定過程
　　19.1.5 ポリシー
　19.2 期待リターン
　　19.2.1 状態と行動の価値
　　19.2.2 最適ポリシー
　　19.2.3ベルマン方程式
　19.3 表形式強化学習
　　19.3.1 動的計画法
　　19.3.2 モンテカルロ法
　　19.3.3 時間差法
　19.4 適合Q学習
　　19.4.1 ATARIゲームにおける深層Qネットワーク
　　19.4.2 二重Q学習と二重深層Qネットワーク
　19.5 ポリシー勾配法
　　19.5.1 勾配更新の導出
　　19.5.2 REINFORCEアルゴリズム
　　19.5.3 ベースライン
　　19.5.4 状態依存ベースライン
　19.6 アクター–クリティック法
　19.7 オフライン強化学習
　19.8 まとめ
　Notes
　演習問題
20 なぜ深層学習はうまくいくのか
　20.1 深層学習に対する懐疑論
　　20.1.1 訓練
　　20.1.2 汎化
　　20.1.3 深層学習の不合理な効果性
　20.2 適合性能に影響する要因
　　20.2.1 データセット
　　20.2.2 正則化
　　20.2.3 確率的訓練アルゴリズム
　　20.2.4 過剰パラメータ化
　　20.2.5 活性化関数
　　20.2.6 初期化
　　20.2.7 ネットワークの深さ
　20.3 損失関数の性質
　　20.3.1 複数の大域最小値
　　20.3.2 最小値への経路
　　20.3.3 最小値間の関連
　　20.3.4 損失曲面の曲率
　20.4 汎化を決定する要因
　　20.4.1 訓練アルゴリズム
　　20.4.2 最小値の平坦度
　　20.4.3 アーキテクチャ
　　20.4.4 重みのノルム
　　20.4.5 過剰パラメータ化
　　20.4.6 データ多様体からの逸脱
　20.5 これほど多くのパラメータは必要なのか？
　　20.5.1 刈り込み
　　20.5.2 知識蒸留
　　20.5.3 議論
　20.6 ネットワークは深くなければならないのか？
　　20.6.1 モデル化された関数の複雑さ
　　20.6.2 訓練の実施可能性
　　20.6.3 誘導バイアス
　20.7 まとめ
　演習問題
21 深層学習と倫理
　21.1 価値観の整合性
　　21.1.1 バイアスと公正性
　　21.1.2 人工的モラルエージェンシー
　　21.1.3 透明性と不透明性
　　21.1.4 説明可能性と解釈可能性
　21.2 意図的な悪用
　　21.2.1 顔認識と分析
　　21.2.2 軍事化と政治的干渉
　　21.2.3 詐欺
　　21.2.4 データプライバシー
　21.3 その他の社会的，倫理的，職業的問題
　　21.3.1 知的財産
　　21.3.2 自動化バイアスとモラル・デスキリング
　　21.3.3 環境への影響
　　21.3.4 雇用と社会
　　21.3.5 権力の集中
　21.4 ケーススタディ
　21.5 価値観にとらわれない科学の理想
　21.6 集団行為問題としての責任あるAI研究
　　21.6.1 科学的コミュニケーション
　　21.6.2 多様性と異質性
　21.7 進むべき道
　21.8 まとめ
　演習問題
［付録］
A 表記法
B 数学
　B.1 関数
　　B.1.1 Lipschitz 定数
　　B.1.2 凸性
　　B.1.3 特殊関数
　　B.1.4 スターリングの公式
　B.2 二項係数
　　B.2.1 自己相関
　B.3 ベクトル，行列，テンソル
　　B.3.1 転置
　　B.3.2 ベクトルと行列のノルム
　　B.3.3 行列の積
　　B.3.4 ベクトルのドット積
　　B.3.5 逆行列
　　B.3.6 部分空間
　　B.3.7 固有スペクトル
　　B.3.8 行列式とトレース
　B.4 特殊な行列
　　B.4.1 対角行列
　　B.4.2 三角行列
　　B.4.3 直交行列
　　B.4.4 置換行列
　　B.4.5 線形代数
　　B.4.6 行列形式の線形方程式
　B.5 行列微積分
C 確率
　C.1 確率変数と確率分布
　　C.1.1 結合確率
　　C.1.2 周辺化
　　C.1.3 条件付き確率と尤度
　　C.1.4 ベイズの規則
　　C.1.5 独立性
　C.2 期待値
　　C.2.1 期待値の取り扱いに関する規則
　　C.2.2 平均，分散，共分散
　　C.2.3 等分散性
　　C.2.4 標準化
　C.3 正規確率分布
　　C.3.1 一変量正規分布
　　C.3.2 多変量正規分布
　　C.3.3 2つの正規分布の積
　　C.3.4 変数の変換
　C.4 サンプリング
　　C.4.1 正規分布からのサンプリング
　　C.4.2 祖先サンプリング
　C.5 確率分布間距離
　　C.5.1 Kullback-Leibler発散
　　C.5.2 Jensen-Shannon発散
　　C.5.3 Fréchet距離
　　C.5.4 正規分布間の距離
文献
訳者あとがき
索引