La modélisation probabiliste constitue un cadre rigoureux pour effectuer une agrégation de modèles, qui s’est imposée comme un mécanisme principal pour lutter contre le phénomène de « mode collapse » dans le contexte des réseaux antagonistes génératifs (GAN). Dans cet article, nous proposons un nouveau cadre probabiliste pour les GAN, appelé ProbGAN, qui apprend itérativement une distribution sur les générateurs à l’aide d’un prior soigneusement conçu. L’apprentissage est efficacement déclenché par un algorithme de Monte Carlo hamiltonien à gradient stochastique adapté, accompagné d’une nouvelle approximation de gradient permettant d’effectuer une inférence bayésienne. Notre analyse théorique révèle par ailleurs que notre approche constitue le premier cadre probabiliste à conduire à un équilibre où les distributions des générateurs sont fidèles à la distribution des données. Des expérimentations menées sur des données synthétiques à haute dimension et à multiples modes, ainsi que sur des bases d’images (CIFAR-10, STL-10 et ImageNet), démontrent la supériorité de notre méthode par rapport aux GAN à plusieurs générateurs de pointe ainsi qu’à d’autres traitements probabilistes pour les GAN.