يؤدي تدريب شبكات التوليد التنافسية (GAN) باستخدام كمية قليلة جدًا من البيانات عادةً إلى تجاوز التمييز (discriminator overfitting)، مما يسبب تباعد التدريب. نقترح آلية تحسين تلقائية للتمييز (adaptive discriminator augmentation) تُعدّد بشكل كبير استقرار التدريب في البيئات التي تفتقر إلى البيانات. لا تتطلب هذه الطريقة أي تغييرات في دوال الخسارة أو هياكل الشبكة، وهي قابلة للتطبيق سواء أثناء التدريب من الصفر أو عند تحسين نموذج GAN موجود على مجموعة بيانات أخرى. نُظهر، على عدة مجموعات بيانات، أنه أصبح ممكنًا تحقيق نتائج جيدة باستخدام فقط بضع آلاف من الصور التدريبية، غالبًا ما تُساوي نتائج StyleGAN2 باستخدام عدد أقل بمرتبة من الحجم. نتوقع أن يفتح هذا المجال تطبيقات جديدة لشبكات GAN. كما وجدنا أن مجموعة CIFAR-10 الشهيرة في الواقع تمثل معيارًا محدودًا للبيانات، وقد قمنا بتحسين نتيجة FID من 5.59 إلى 2.42.