Robustesse structurelle des architectures d'apprentissage profond

Les reseaux de neurones profonds sont devenus les references dans beaucoup de problemes d'apprentissage machine. Malheureuse-ment, ils sont sensibles a divers types de bruits ou a des deformations des entrees. Dans ce travail, nous introduisons une nouvelle definition de robustesse caracterisant la constante de Lipschitz de la fonction du reseau dans un sous-ensemble restreint de son domaine de definition. Nous comparons cette definition a celles existantes, et discutons des liens avec differentes methodes introduites dans la litterature afin accroitre la robustesse des reseaux. Abstract-Deep Networks have been shown to provide state-of-the-art performance in many machine learning challenges. Unfortunately, they are susceptible to various types of noise, including adversarial attacks and corrupted inputs. In this work we introduce a formal definition of robustness which can be viewed as a localized Lipschitz constant of the network function, quantified in the domain of the data to be classified. We compare this notion of robustness to existing ones, and study its connections with methods in the literature. We evaluate this metric by performing experiments on various competitive vision datasets.