Wir stellen das Modell der feindlich gelernten Inferenz (Adversarially Learned Inference, ALI) vor, das ein Generierungsnetzwerk und ein Inferenznetzwerk gemeinsam durch einen feindlichen Prozess lernt. Das Generierungsnetzwerk bildet Stichproben von stochastischen latente Variablen auf den Datenraum ab, während das Inferenznetzwerk Trainingsbeispiele im Datenraum auf den Raum der latenten Variablen abbildet. Ein feindliches Spiel wird zwischen diesen beiden Netzwerken und einem diskriminativen Netzwerk aufgeführt, das trainiert wird, um zwischen gemeinsamen Stichproben aus dem Generierungsnetzwerk und gemeinsamen Stichproben aus dem Inferenznetzwerk im latenten/Datenraum zu unterscheiden. Wir veranschaulichen die Fähigkeit des Modells, gegenseitig kohärente Inferenz- und Generierungsnetzwerke zu lernen, durch die Inspektion von Modellstichproben und Rekonstruktionen und bestätigen die Nützlichkeit der gelernten Darstellungen durch eine Leistung, die mit dem Stand der Technik bei den semi-supervisierten SVHN- und CIFAR10-Aufgaben wettbewerbsfähig ist.