نُقدّم إطارًا موحدًا يعتمد على نظرية الألعاب لتنفيذ التصنيف وإنشاء الصور الشرطيّة مع مراقبة محدودة. يتم صياغته كلعبة ماكسيموم-مِنِمُم (Minimax) ثلاثية اللاعبين تتضمّن مُولِّدًا، وتصنيفًا، ومحرّكًا، ولهذا يُسمّى بشبكة التوليد التنافسيّة الثلاثية (Triple-GAN). يُمثّل المُولّد والتصنيف التوزيعات الشرطية بين الصور والعلامات لتنفيذ التوليد الشرطي والتصنيف على التوالي. في المقابل، يركّز المحّرّك حصريًا على تحديد أزواج الصورة-العلامة المزيفة. وبافتراض غير معلمي (Nonparametric)، نُثبت أن التوازن الفريد للعبة هو أن تقترب التوزيعات التي يُمثّلها المُولّد والتصنيف من التوزيع الفعلي للبيانات. وبما أنّ هذه الخاصية تُعدّ ناتجًا ثانويًا لآلية اللاعب الثلاثيّة، فإنّ Triple-GAN يتميّز بالمرونة في دمج تصنيفات شبه مراقبة مختلفة وبنية معمارية لشبكات GAN. وقد قُمنا بتقييم Triple-GAN في بيئةَين صعبَين: التعلّم شبه المراقب، وحالة البيانات المنخفضة جدًا. وفي كلا الحالتين، تمكّن Triple-GAN من تحقيق نتائج تصنيف ممتازة، وتحديدًا إنشاء عيّنات ذات معنى ضمن فئة معيّنة. وبشكل خاص، وباستخدام تصنيف شائع يعتمد على شبكة عصبية متعددة الطبقات بـ13 طبقة (CNN)، تفوق Triple-GAN بشكل كبير على مجموعة واسعة من أساليب التعلّم شبه المراقب على أكثر من 10 معايير، سواء تم تطبيق تحسينات على البيانات أم لا.