確率的モデリングは、生成対抗ネットワーク（GAN）におけるモード崩壊（mode collapse）に対処するための主要なメカニズムとして、モデルの集約を実現する原理的な枠組みである。本論文では、精心に設計された事前分布を用いて生成器の分布を反復的に学習する、GAN向けの新しい確率的枠組みであるProbGANを提案する。本手法では、ベイズ推論を実行するために、新たな勾配近似を導入した特化された確率的勾配ハミルトンモンテカルロ法により、効率的な学習を促進する。理論的分析の結果、本手法は、生成器の分布がデータ分布を忠実に再現する平衡状態を初めて得られる確率的枠組みであることが明らかになった。合成された高次元多モーダルデータおよび画像データベース（CIFAR-10、STL-10、ImageNet）に対する実証的評価により、最先端のマルチ生成器GANおよび他の確率的アプローチと比較して、本手法の優位性が示された。