我々は、従来のヒンジ損失（Hinge loss）の多クラス拡張を用いて、GANのクリティック（critic）にクラス条件付き情報を組み込む新しいアルゴリズムを提案する。この損失関数は教師ありおよび半教師ありの両設定と互換性を持つ。最先端の生成器と高精度な分類器を同時に学習する際のトレードオフを検討し、本アルゴリズムを用いて生成器とクリティックがどの程度クラス条件付き情報を反映しているかを評価する手法を提案する。また、クラス条件付き入力に忠実な生成器-クリティックペアと、最高品質の画像を生成するという二つの目標の間にあるトレードオフを明らかにする。本研究で提案するマルチヒンジ損失の改良により、ImageNetデータセットにおいてインセプションスコア（Inception Score）およびフレシェインセプション距離（Frechet Inception Distance）の両方を向上させることができた。実装コードはTensorFlowで作成し、GitHubにて公開している（https://github.com/ilyakava/gan）。