تتعلم الشبكات التوليدية التنافسية (GANs) توزيع الاحتمال المستهدف من خلال تحسين مولّد ومرشّح باستخدام أهداف مينيمكس. يتناول هذا البحث السؤال عما إذا كان هذا التحسين يُزوّد المولّد بGradientات تجعل توزيعه قريبًا من التوزيع المستهدف فعلاً. نُشتق شروط قابلة للقياس، وهي شروط كافية تكفل أن يُستخدم المرشّح كمقياس للمسافة بين التوزيعات، وذلك من خلال ربط صيغة GAN بمفهوم النقل الأمثل المُقطّع (sliced optimal transport). وبالاستعانة بهذه النتائج النظرية، نقترح خطة تدريب جديدة للـ GAN تُسمّى "الشبكة التنافسية المقطّعة" (Slicing Adversarial Network - SAN). وبمجرد إجراء تعديلات بسيطة، يمكن تحويل فئة واسعة من نماذج GAN الحالية إلى نماذج SAN. تدعم التجارب التي أُجريت على مجموعات بيانات اصطناعية وصور النتائج النظرية المُستخلصة، كما تُظهر فعالية SAN مقارنة بالـ GAN التقليدية. علاوةً على ذلك، قمنا بتطبيق SAN على StyleGAN-XL، مما أدى إلى تحقيق أفضل نتيجة ممكنة من حيث مؤشر FID بين جميع نماذج GAN في التوليد الشرطي حسب الفئة على ImageNet بحجم 256×256. يمكن الوصول إلى التنفيذ العملي عبر الرابط: https://ytakida.github.io/san.