Dans cet article, nous présentons une méthode pour apprendre un classifieur discriminatif à partir de données non étiquetées ou partiellement étiquetées. Notre approche repose sur une fonction objectif qui équilibre l'information mutuelle entre les exemples observés et leur distribution de classe catégorielle prédite, contre la robustesse du classifieur face à un modèle génératif adversarial. L'algorithme résultant peut être interprété soit comme une généralisation naturelle du cadre des réseaux adversariaux génératifs (GAN), soit comme une extension du cadre de maximisation de l'information régularisée (RIM) à la classification robuste contre un adversaire optimal. Nous évaluons empiriquement notre méthode – que nous appelons réseaux adversariaux génératifs catégoriels (ou CatGAN) – sur des données synthétiques ainsi que sur des tâches de classification d'images difficiles, démontrant la robustesse des classifieurs appris. Nous évaluons également qualitativement la fidélité des échantillons générés par le générateur adversarial appris en même temps que le classifieur discriminatif, et identifions des liens entre l'objectif CatGAN et les algorithmes de clustering discriminatif (comme RIM).