تُعد الشبكات التوليدية التنافسية (GANs) نهجًا قويًا للتعلم غير الخاضع للإشراف، وقد حققت أداءً متقدمًا في مجال الصور. ومع ذلك، تواجه GANs قيودًا في طريقتين: فهي غالبًا ما تتعلم توزيعات ذات دعم منخفض—ظاهرة تُعرف بانهيار النمط (mode collapse)—وهي لا تضمن وجود كثافة احتمالية، مما يجعل تقييم التعميم باستخدام الاحتمال التنبؤي اللوغاريتمي مستحيلًا. في هذه الورقة، نطوّر ما يُعرف بـ GAN المُحدَّد (PresGAN) لمعالجة هذه العيوب. تقوم PresGANs بإضافة ضوضاء إلى مخرجات شبكة الكثافة، وتحسن خسارة تنافسية مُعدّلة بالانتماء (entropy-regularized adversarial loss). تُسهم الضوضاء المضافة في تيسير تقريبات قابلة للحساب للقيمة اللوغاريتمية التنبؤية، كما تُعزز استقرار عملية التدريب. كما يشجع المُعدّل الانتمائي PresGANs على اكتشاف جميع النماذج المميزة لتوزيع البيانات. ويتطلب fitting PresGANs حساب مشتقات غير قابلة للحساب لعامل التحسين الانتمائي؛ لكن تُجنب PresGANs هذه الصعوبة من خلال استخدام تقديرات عشوائية غير متحيزة. قمنا بتقييم PresGANs على عدة مجموعات بيانات، ووجدنا أنها تقلل من ظاهرة انقراض النمط وتُنتج عينات ذات جودة إدراكية عالية. كما لاحظنا أن PresGANs تقلل الفجوة في الأداء من حيث الاحتمال التنبؤي اللوغاريتمي بين GANs التقليدية وشبكات التشفير التلقائي التبايني (VAEs).