La performance des modèles d'apprentissage automatique dépend de la qualité de la représentation des données.
On dit qu'une bonne représentation est celle qui facilite les tâches ultérieures. L'apprentissage définit le problème de l'apprentissage d'une bonne représentation qui est alignée avec la tâche cible en aval. Les approches existantes ont démontré une excellente capacité à produire de bonnes représentations pour la tâche en aval. Cependant, ces modèles n'offrent qu'un contrôle limité, voire aucun contrôle, sur les représentations latentes. Les autoencodeurs variationnels et les réseaux adversoriels génératifs ont révélé la possibilité de résoudre ce problème. Cependant, le contrôle explicite de la représentation latente reste un problème non résolu dans le domaine de la vision par ordinateur. L'apprentissage de la représentation latente de ces approches d'apprentissage pourrait ne pas avoir les propriétés souhaitées pour le problème d'apprentissage. Par conséquent, une question fondamentale en matière d'apprentissage de représentation est de savoir comment les contrôler pour les rendre plus efficaces. Le travail présenté dans cette thèse étudie le défi que représente le contrôle de l'espace de représentation latent afin d'améliorer la tâche en aval telle que l'apprentissage automatique, la génération d'images et les tâches de classification.