在本文中，我们提出了一种从未标记或部分标记数据中学习判别分类器的方法。我们的方法基于一个目标函数，该函数在观测样本与其预测的类别分布之间的互信息与分类器对对抗生成模型的鲁棒性之间进行权衡。所提出的算法可以被解释为生成对抗网络（GAN）框架的自然扩展，也可以被视为针对最优对手的鲁棒分类问题上对正则化信息最大化（RIM）框架的扩展。我们通过合成数据以及具有挑战性的图像分类任务对所提出的方法——我们称之为类别生成对抗网络（CatGAN）——进行了实证评估，展示了所学分类器的鲁棒性。此外，我们还定性地评估了与判别分类器一同学习到的对抗生成器生成样本的真实度，并发现了CatGAN目标函数与判别聚类算法（如RIM）之间的联系。