رغم النجاح الذي حققته الشبكات التوليدية التنافسية (GANs)، فإن تدريبها يعاني من عدة مشكلات معروفة، منها توقف النمط (mode collapse) وصعوبة تعلّم مجموعة غير متصلة من الأسطح المتعددة الأبعاد (manifolds). في هذه الورقة، نقوم بتحليل المهمة الصعبة لتعلم التوزيعات المعقدة عالية الأبعاد، التي تدعم عينات بيانات متنوعة، إلى مهام فرعية أبسط. تعتمد حلنا على تصميم مُقسّم للمساحة (partitioner) يقوم بتقسيم الفضاء إلى مناطق أصغر، كل منها يمتلك توزيعًا أبسط، ثم تدريب جيلّيّة (generator) مختلفة لكل منطقة. ويتم هذا التدريب بطريقة غير مراقبة دون الحاجة إلى أي تسميات (labels).نُصِفُ معيارين مرغوبين لمقسّم الفضاء يُسهمان في تدريب خليط الجيلّيّات: 1) إنتاج مناطق متصلة، و2) توفير مُقاس لمسافة بين المناطق والعينات البيانات، بالإضافة إلى اتجاه لتقليل هذه المسافة. تم تطوير هذين المعيارين لتجنب إنتاج عينات من مناطق لا يوجد فيها كثافة بيانات حقيقية، كما يُسهّل التدريب من خلال توفير اتجاه إضافي للجيلّيّات. نُطوّر قيودًا نظرية لمقسّم الفضاء تضمن تحقيق المعيارين المذكورين. وبالإشراف على التحليل النظري، نصمم معمارية عصبية فعّالة لمقسّم الفضاء، تضمن تجريبيًا هذه الشروط. وأظهرت النتائج التجريبية على عدة معايير قياسية أن النموذج غير المراقب المقترح يتفوق على عدة طرق حديثة.