التكثيف العشوائي للبيانات هو تقنية حاسمة لتجنب التكيف الزائد أثناء تدريب نماذج الشبكات العصبية العميقة. ومع ذلك، يتم التعامل عادةً مع التكثيف والتدريب كعملية منفصلة، مما يحد من فعالية تدريب الشبكة. لماذا لا نقوم بتحسينهما معاً؟ نقترح استخدام التكثيف المعادي للبيانات لمعالجة هذا القيد. الفكرة الرئيسية هي تصميم شبكة تكثيف (مولد) تنافس شبكة الهدف (مميز) بإنشاء عمليات تكثيف "صعبة" بشكل مستمر. تقوم شبكة التكثيف باستكشاف نقاط ضعف شبكة الهدف، بينما تتعلم الأخيرة من هذه العمليات "الصعبة" لتحقيق أداء أفضل. كما قمنا بتصميم استراتيجية مكافأة/عقاب لضمان التدريب المشترك الفعال. نوضح نهجنا في مشكلة تقدير وضع الإنسان ونقوم بتحليل تجريبي شامل، مما يظهر أن طريقتنا يمكن أن تحسن بشكل كبير النماذج الرائدة دون الحاجة إلى جهود إضافية في البيانات.