في هذا البحث، نقترح "الترميز المعاكس المعادي" (Adversarial Autoencoder - AAE)، وهو ترميز احتمالي يستخدم الشبكات المعادية التوليدية (Generative Adversarial Networks - GAN) التي تم اقتراحها مؤخرًا لإجراء الاستدلال المتغير من خلال مطابقة اللاحقة المجمعة لمتجه الكود الخفي للترميز مع أي توزيع أولي مفروض. ضمان مطابقة اللاحقة المجمعة للتوزيع الأولي يضمن أن التوليد من أي جزء من فضاء التوزيع الأولي يؤدي إلى عينات ذات معنى. نتيجة لذلك، يتعلم محكّم الترميز المعاكس المعادي نموذجًا توليديًا عميقًا يربط بين التوزيع الأولي المفروض وتوزيع البيانات. نوضح كيف يمكن استخدام الترميز المعاكس المعادي في تطبيقات مثل التصنيف شبه الإشرافي، فصل أسلوب ومضمون الصور، التجميع غير الإشرافي، تخفيض البعد وتصور البيانات. أجرينا تجارب على مجموعات بيانات MNIST وStreet View House Numbers وToronto Face وأظهرنا أن الترميزات المعاكسة المعادية تحقق نتائج تنافسية في مهام النمذجة التوليدية والتصنيف شبه الإشرافي.