شهدت السنوات الأخيرة تقدماً سريعاً في مجال الشبكات التوليدية التنافسية (GANs). ومع ذلك، يعتمد نجاح نماذج GAN على كمية كبيرة من بيانات التدريب. تُقدّم هذه الدراسة نهجاً للتنظيم (Regularization) يهدف إلى تدريب نماذج GAN قوية في ظل توفر كميات محدودة من البيانات. ونُظهر نظريًا ارتباطًا بين الدالة المُنظَّمة والانحراف من نوع f-divergence يُعرف بـ "انحراف ليكام" (LeCam-divergence)، والذي وجدنا أنه أكثر مقاومة في ظل قلة بيانات التدريب. أظهرت تجارب واسعة النطاق على عدة مجموعات بيانات معيارية أن نهج التنظيم المقترح يحقق كلاً من: 1) تحسين أداء التعميم واستقرار ديناميكيات التعلم في نماذج GAN عند استخدام بيانات تدريب محدودة، و2) التكامل مع الطرق الحديثة لتوسيع البيانات (Data Augmentation). تُسهّل هذه الخصائص تدريب نماذج GAN للوصول إلى أداء من الطراز الرائد (state-of-the-art) عند توفر فقط كميات محدودة من بيانات التدريب من معيار ImageNet.