أدى التقدم الأخير في الشبكات التوليدية المتنافسة (GANs) إلى انتشارها الواسع في إنشاء صور مُصطنعة عالية الجودة. وعلى الرغم من قدرتها على إنتاج صور واقعية بصريًا، فإن هذه النماذج غالبًا ما تُنتج عينات غير واقعية تقع خارج نمط البيانات (data manifold). حاولت عدة تقنيات حديثة تجنب هذه العينات الكاذبة، إما بحذفها بعد الإنشاء، أو بقص فضاء اللاتين (latent space) للنموذج. وعلى الرغم من فعاليتها، فإن هذه الأساليب غير فعّالة من حيث الكفاءة، حيث يتم تخصيص جزء كبير من وقت التدريب وقدرات النموذج لعينات ستُرفض في النهاية. في هذا العمل، نقترح منهجية جديدة لتحسين جودة العينات: تعديل مجموعة البيانات التدريبية من خلال اختيار الأمثلة (instance selection) قبل بدء عملية التدريب. وبتحسين التوزيع التجريبي للبيانات قبل التدريب، نوجه قدرة النموذج نحو المناطق ذات الكثافة العالية، مما يؤدي إلى تحسين واقعية العينات، وتقليل متطلبات قدرة النموذج، وخفض كبير في وقت التدريب. يمكن الوصول إلى الكود من خلال الرابط التالي: https://github.com/uoguelph-mlrg/instance_selection_for_gans.