في الشبكة العصبية المضادة التوليدية القياسية (SGAN)، يقوم المميز بتقدير احتمالية أن البيانات الإدخال حقيقية. يتم تدريب المولد على زيادة احتمالية أن البيانات المزيفة تكون حقيقية. نعتقد أنه يجب أيضًا تقليل احتمالية أن البيانات الحقيقية تكون حقيقية، وذلك لأن: 1) هذا سيأخذ بعين الاعتبار المعرفة الأولية بأن نصف البيانات في الدفعة الصغيرة مزيفة، 2) هذا سيكون ملاحظًا عند تقليل الاختلاف، و3) في الإعدادات المثلى، ستكون SGAN مكافئة للشبكات العصبية المضادة التوليدية التي تعتمد على المقاييس الاحتمالية التكاملية (IPM).نوضح أن يمكن تحقيق هذه الخاصية من خلال استخدام مميز نسبي يقدر احتمالية أن البيانات الحقيقية المعطاة أكثر واقعية من بيانات مزيفة تم اختيارها عشوائيًا. كما نقدم طريقة متغيرة فيها يقدر المميز احتمالية أن البيانات الحقيقية المعطاة أكثر واقعية من البيانات المزيفة بشكل متوسط. نعمم كلا النهجين إلى دوال خسارة غير قياسية للشبكات العصبية المضادة التوليدية ونطلق عليهما على التوالي شبكات GAN النسبية (RGANs) والشبكات العصبية المضادة التوليدية النسبية المتوسطة (RaGANs). نوضح أن شبكات GAN المستندة إلى IPM هي مجموعة فرعية من RGANs التي تستخدم الدالة الهوية.من الناحية التجريبية، نلاحظ أن: 1) شبكات RGANs و RaGANs أكثر استقرارًا بكثير وتنتج عينات بيانات ذات جودة أعلى من نظيراتها غير النسبية، 2) RaGAN القياسية مع عقوبة التدرج تنتج بيانات ذات جودة أفضل من WGAN-GP بينما تحتاج فقط لتحديث واحد للمميز لكل تحديث للمولد (مما يقلل الوقت المستغرق للوصول إلى أحدث التقنيات بنسبة 400%)، و3) يمكن لـ RaGANs إنتاج صور ذات دقة عالية معقولة (256x256) من عينة صغيرة جدًا (N=2011)، بينما لا تستطيع شبكات GAN و LSGAN ذلك؛ هذه الصور ذات جودة أعلى بكثير من تلك التي تنتجها WGAN-GP و SGAN مع التنظيم الطيفي.