يُعد النمذجة الاحتمالية إطارًا منهجيًا لتنفيذ تجميع النماذج، وهو ما أصبح آلية رئيسية للتعامل مع ظاهرة توقف النمط (mode collapse) في سياق الشبكات التوليدية المتنافسة (GAN). في هذه الورقة البحثية، نقترح إطارًا احتماليًا جديدًا للـ GAN يُسمى ProbGAN، والذي يتعلم بشكل تكراري توزيعًا على المولّدات باستخدام توزيع أولي مُصمم بعناية. ويُحفَّز التعلُّم بكفاءة من خلال خوارزمية مونت كارلو هاملتونية ذات خطوات عشوائية مُعدَّة خصيصًا، مع تقريب جديد للانحدار لتنفيذ الاستنتاج البايزي. كما تُظهر التحليلات النظرية أن معالجتنا تمثل أول إطار احتمالي يحقق توازنًا حيث تكون توزيعات المولّدات مطابقة بدقة لتوزيع البيانات. وتُظهر الأدلة التجريبية على بيانات مُصطنعة عالية الأبعاد متعددة النماذج، بالإضافة إلى قواعد بيانات صور (CIFAR-10، STL-10، وImageNet)، تفوق طريقةنا مقارنةً بكل من النماذج المتقدمة الحالية من GANs متعددة المولّدات، وكذلك المنهجيات الاحتمالية الأخرى المُطبَّقة على GANs.