La recherche dans un grand jeu de données afin d’identifier des éléments similaires à un objet d’échantillon constitue un problème fondamental en informatique. Les algorithmes de hachage abordent cette question en représentant les données à l’aide de codes binaires préervant la similarité, pouvant servir d’index dans une table de hachage. Récemment, il a été démontré que les autoencodeurs variationnels (VAEs) peuvent être efficacement entraînés pour apprendre de tels codes dans des scénarios non supervisés et semi-supervisés. Dans cet article, nous montrons qu’un autoencodeur variationnel doté de variables latentes binaires conduit à un algorithme de hachage plus naturel et plus efficace que sa version à variables continues. Ce modèle réduit l’erreur de quantification introduite par les formulations continues tout en restant entraînable par une rétropropagation standard. Des expériences sur des tâches de récupération de textes illustrent les avantages de notre modèle par rapport aux approches antérieures.