Trotz des Erfolgs von Generativen adversarialen Netzen (GANs) leidet ihr Training unter mehreren bekannten Problemen, darunter Mode-Collapse und Schwierigkeiten beim Lernen einer diskontinuierlichen Menge von Mannigfaltigkeiten. In diesem Artikel zerlegen wir die anspruchsvolle Aufgabe des Lernens komplexer, hochdimensionaler Verteilungen, die vielfältige Datensample unterstützen, in einfachere Teilprobleme. Unser Ansatz basiert auf der Entwicklung eines Raumpartitionierers, der den Raum in kleinere Regionen aufteilt, jeweils mit einer einfacheren Verteilung, und für jede Partition einen unterschiedlichen Generator trainiert. Dies erfolgt in einer selbstlernenden Weise, ohne dass Etikettierungen erforderlich sind.Wir formulieren zwei gewünschte Kriterien für den Raumpartitionierer, die die Trainingsstabilität unseres Generatormischmodells unterstützen: 1) die Erzeugung zusammenhängender Partitionen und 2) die Bereitstellung einer Näherung der Distanz zwischen Partitionen und Datensamples sowie einer Richtung zur Verringerung dieser Distanz. Diese Kriterien dienen dazu, die Generierung von Proben aus Bereichen mit nicht existierender Datendichte zu vermeiden, und erleichtern zudem das Training durch zusätzliche Orientierungshilfen für die Generatoren. Wir leiten theoretische Bedingungen für einen Raumpartitionierer ab, die diese Kriterien erfüllen. Auf der Grundlage unserer theoretischen Analyse entwerfen wir eine effektive neuronale Architektur für den Raumpartitionierer, die diese Bedingungen empirisch gewährleistet. Experimentelle Ergebnisse auf verschiedenen Standardbenchmarks zeigen, dass das vorgeschlagene selbstlernende Modell mehrere neuere Methoden übertrifft.