Halbüberwachte Lernmethoden auf der Basis von generativen adversären Netzen (GANs) erzielten starke empirische Ergebnisse, jedoch ist es unklar, 1) wie der Diskriminator von der gemeinsamen Trainingssitzung mit einem Generator profitiert und 2) warum eine gute halbüberwachte Klassifikationsleistung und ein guter Generator nicht gleichzeitig erreicht werden können. Theoretisch zeigen wir, dass unter Berücksichtigung des Ziels des Diskriminators eine gute halbüberwachte Lernleistung tatsächlich einen schlechten Generator erfordert, und schlagen eine Definition für einen bevorzugten Generator vor. Empirisch leiten wir auf Grundlage unserer Analyse eine neue Formulierung ab, die erheblich bessere Ergebnisse als Feature-Matching-GANs erzielt und den Stand der Technik in mehreren Benchmark-Datensätzen erreicht.