人工智能中最有趣的挑战之一是训练条件生成器，这些生成器能够提供从特定分布中提取的标记对抗样本。为了成功实现条件生成器，创建的样本被限制为特定的类。在这项工作中，提出了一个新的框架，通过将分类器或回归模型与判别器并行放置，并通过生成器网络反向传播分类或回归误差来训练深度条件生成器。研究了二元分类、多类分类和回归的特殊情况。提供了几个数据集的实验结果，并将结果与​​类似的最先进技术进行了比较。该方法的主要优点是它用途广泛，适用于生成对抗网络（GAN）实现的任何变体，而且与其他方法相比，它也能获得更好的结果。给出了所提出的分类和回归方案的数学证明。



"点击查看英文标题和摘要"