نُقدّم خوارزمية جديدة لدمج معلومات الشرطية الفئوية في المُقيّم (critic) لشبكات التوليد التناقضية (GANs) من خلال تعميم متعدد الفئات للخسارة المُستخدمة بشكل شائع، وهي خسارة "هينج" (Hinge loss)، والتي تتوافق مع كل من البيئات المُراقبة وغير المُراقبة. ونُجري دراسة للتنازل بين تدريب مولّد من الدرجة المُتقدمة ومُصنّف دقيق في نفس الوقت، ونُقدّم طريقة لاستخدام خوارزميتنا لقياس مدى اعتماد المولّد والمُقيّم على المدخلات الشرطية الفئوية. ونُظهر التناقض بين زوج المولّد-المُقيّم الذي يُراعي المدخلات الشرطية الفئوية وبين القدرة على إنتاج صور عالية الجودة. وباستخدام تعديلنا على خسارة "هينج" المتعددة، نُحقّق تحسينًا في مقاييس "إنسيبشن" (Inception Scores) و"المسافة فريشيت إنسيبشن" (Frechet Inception Distance) على مجموعة بيانات Imagenet. ونُقدّم كودنا المُعدّ لمنصة TensorFlow عبر الرابط التالي: https://github.com/ilyakava/gan.