Les méthodes d'apprentissage semi-supervisé basées sur les réseaux de neurones génératifs adverses (GANs) ont obtenu des résultats empiriques solides, mais il n'est pas clair 1) comment le discriminateur bénéficie de l'entraînement conjoint avec un générateur, et 2) pourquoi de bonnes performances en classification semi-supervisée et un bon générateur ne peuvent pas être obtenus simultanément. Théoriquement, nous montrons que, étant donné l'objectif du discriminateur, un bon apprentissage semi-supervisé nécessite effectivement un mauvais générateur, et nous proposons une définition d'un générateur préféré. Expérimentalement, nous dérivons une nouvelle formulation basée sur notre analyse qui améliore considérablement les GANs par appariement de caractéristiques, obtenant des résultats d'état de l'art sur plusieurs jeux de données de référence.