Nous présentons le modèle d'inférence apprise de manière antagoniste (Adversarially Learned Inference, ALI), qui apprend conjointement un réseau de génération et un réseau d'inférence à l'aide d'un processus antagoniste. Le réseau de génération mappe les échantillons des variables latentes stochastiques vers l'espace de données, tandis que le réseau d'inférence mappe les exemples d'apprentissage dans l'espace de données vers l'espace des variables latentes. Un jeu antagoniste est mis en place entre ces deux réseaux, et un réseau discriminatif est entraîné pour distinguer entre les échantillons conjoints de l'espace latent/données provenant du réseau de génération et ceux provenant du réseau d'inférence. Nous illustrons la capacité du modèle à apprendre des réseaux d'inférence et de génération mutuellement cohérents par l'examen des échantillons du modèle et des reconstructions, et nous confirmons l'utilité des représentations apprises en obtenant une performance compétitive avec celle de pointe sur les tâches semi-supervisées SVHN et CIFAR10.