Dans cet article, nous proposons l'« adversarial autoencoder » (AAE), qui est un autoencodeur probabiliste utilisant les réseaux de neurones génératifs adverses (GAN) récemment proposés pour effectuer une inférence variationnelle en faisant correspondre la distribution postérieure agrégée du vecteur de code caché de l'autoencodeur à une distribution a priori arbitraire. La correspondance entre la distribution postérieure agrégée et la distribution a priori garantit que la génération à partir de toute partie de l'espace a priori aboutit à des échantillons significatifs. Par conséquent, le décodeur de l'adversarial autoencoder apprend un modèle génératif profond qui mappe la distribution a priori imposée à la distribution des données. Nous montrons comment l'adversarial autoencoder peut être utilisé dans des applications telles que la classification semi-supervisée, la dissociation du style et du contenu des images, le clustering non supervisé, la réduction de dimensionnalité et la visualisation des données. Nous avons mené des expériences sur les jeux de données MNIST, Street View House Numbers et Toronto Face et démontré que les adversarial autoencoders obtiennent des résultats compétitifs dans les tâches de modélisation générative et de classification semi-supervisée.