기존의 생성적 적대 신경망(GANs)은 성공을 거두었지만, 모드 붕괴(mode collapse) 및 분리된 다양체(manifolds)의 집합을 학습하는 데 어려움을 겪는다는 잘 알려진 문제들이 존재한다. 본 논문에서는 복잡한 고차원 분포를 학습하는 어려운 과제를 다양한 데이터 샘플을 지원할 수 있는 더 간단한 하위 과제들로 분해한다. 제안하는 해결책은 공간을 더 작은 영역들로 나누는 파티셔너(partitioner)를 설계하여 각 영역 내에서 보다 단순한 분포를 가지게 하고, 각 파티션에 대해 별도의 생성기(generator)를 학습하는 방식이다. 이 과정은 레이블이 필요 없이 비지도(unsupervised) 방식으로 수행된다.우리는 혼합 생성기의 학습을 지원하기 위해 공간 파티셔너에 대해 두 가지 바람직한 기준을 제시한다. 첫째, 연결된 파티션(connected partitions)을 생성해야 하며, 둘째, 파티션과 데이터 샘플 간의 거리에 대한 대리 지표(proxy)를 제공하고, 그 거리를 줄이기 위한 방향성을 제시해야 한다. 이러한 기준들은 존재하지 않는 데이터 밀도가 있는 영역에서 샘플을 생성하는 것을 방지하고, 생성기에게 추가적인 학습 방향을 제공함으로써 학습을 촉진하기 위해 개발되었다. 위 기준을 만족하기 위한 이론적 제약 조건을 도출하였으며, 이 이론적 분석을 바탕으로 실증적으로 이러한 조건을 충족하는 효과적인 신경망 아키텍처를 설계하였다. 다양한 표준 벤치마크에서의 실험 결과는 제안된 비지도 모델이 최근의 여러 방법들을 능가함을 보여준다.