تحاول النماذج التوليدية الشرطية تعلُّم التوزيع المشترك الكامن للبيانات والعلامات لتحقيق توليد البيانات الشرطية. ومن بين هذه النماذج، اُستخدمت شبكة التوليد التصادمية ذات المحClassifier المساعد (AC-GAN) على نطاق واسع، لكنها تعاني من مشكلة انخفاض التنوّع الداخلي للعينات المولّدة. ويشير البحث إلى السبب الجذري في هذا الأمر، وهو أن تصنيف AC-GAN لا يراعي توليد البيانات (generator-agnostic)، وبالتالي لا يمكنه توفير توجيه مفيد للمنشئ (generator) للاقتراب من التوزيع المشترك، ما يؤدي إلى تقليل الانتروبيا الشرطية، مما يقلل من التنوّع الداخلي للتصنيف. مستوحى من هذا الفهم، نقترح نموذج GAN شرطيًا جديدًا يُدعى ADC-GAN (GAN شرطي مع تصنيف تمييزي مساعد)، لحل المشكلة المذكورة أعلاه. وبشكل خاص، يصبح التصنيف التمييزي المساعد المقترح واعيًا بالمنشئ من خلال التمييز بين علامات الفئة للبيانات الحقيقية والبيانات المولّدة. كما تُظهر التحليل النظري أن المنظّر يمكنه تعلُّم التوزيع المشترك بدقة حتى بدون وجود المُميّز الأصلي، ما يجعل ADC-GAN مقاومًا لقيمة معامل المعلمة الفائقة واختيار دالة خسارة GAN، ويُظهر استقرارًا خلال التدريب. وقد أظهرت النتائج التجريبية الواسعة على مجموعات بيانات اصطناعية وواقعية تفوق ADC-GAN في النمذجة التوليدية الشرطية مقارنة بالطرق الحديثة التي تعتمد على التصنيف أو التProjection في GANs.