شبكات التوليد المتنافسة (GANs) معروفة بصعوبة تدريبها، والأسباب الكامنة وراء سلوكها في التقارب (أو عدم التقارب) لا تزال غير مفهومة تمامًا. من خلال النظر أولاً إلى مثال بسيط ومعبر عن شبكات GANs، نقوم بتحليل رياضي لسلوك التقارب المحلي لهذه الشبكة بطريقة غير مقاربة. بالإضافة إلى ذلك، تم توسيع التحليل ليشمل شبكات GANs العامة تحت بعض الافتراضات. نجد أن للتأكد من معدل تقارب جيد، يجب تجنب عاملين في جاكوبية ديناميكيات تدريب GANs بشكل متزامن، وهما: (i) عامل الطور (Phase Factor)، أي أن الجاكوبية لديها قيم ذاتية معقدة بنسب تخيلي حقيقي كبيرة، و (ii) عامل التنظيم (Conditioning Factor)، أي أن الجاكوبية تكون سيئة التنظيم. الطرق السابقة لتقييد الجاكوبية يمكنها فقط تخفيف أحد هذين العاملين بينما تجعل الآخر أكثر حدة. لذلك، نقترح تقيديرًا جديدًا للجاكوبية في شبكات GANs يُعرف باسم JAcobian REgularization (JARE)، والذي يعالج كلا العاملين بشكل متزامن من خلال بنائه. أخيرًا، نجري تجارب تؤكد تحليلنا النظري وتظهر مزايا JARE على الطرق السابقة في استقرار شبكات GANs.