نقترح طريقة جديدة لملء البيانات المفقودة من خلال تكييف إطار الشبكات المعادية التوليدية (GAN) المعروف جيدًا. وبناءً على ذلك، نطلق على طريقتنا اسم الشبكات المعادية التوليدية لملء البيانات المفقودة (GAIN). يعمل المولد (G) على ملاحظة بعض مكونات متجه بيانات حقيقي، ثم يملأ المكونات المفقودة مشروطة بما تم رصده فعليًا، ويخرِّج متجهًا مكتملًا. بعدها، يقوم المميز (D) بأخذ متجه البيانات المكتمل ويحاول تحديد أي المكونات كانت قد رُصدت فعليًا وأيها تم ملؤها. للتأكد من أن D يدفع G إلى تعلم التوزيع المرغوب، نوفر لـ D بعض المعلومات الإضافية على شكل متجه إشارة. يكشف هذا الإشارة جزءًا من المعلومات حول فقدان البيانات في العينة الأصلية، مما يستخدمه D لتركيز انتباهه على جودة ملء بعض المكونات بشكل خاص. هذا الإشارة يضمن أن G في الواقع تتعلم إنتاج البيانات وفقًا للتوزيع الحقيقي للبيانات. قمنا باختبار طريقتنا على مجموعة متنوعة من قواعد البيانات ووجدنا أن GAIN يتفوق بشكل كبير على أفضل الطرق الحالية لملء البيانات المفقودة.