Analyse de sensibilité et de robustesse des réseaux de neurones par le calcul conservateur
Auteur / Autrice : | Ryan Boustany |
Direction : | Jérome Bolte, Edouard Pauwels |
Type : | Projet de thèse |
Discipline(s) : | Mathématiques et Applications |
Date : | Inscription en doctorat le 01/11/2021 |
Etablissement(s) : | Toulouse 1 |
Ecole(s) doctorale(s) : | École doctorale Mathématiques, informatique et télécommunications |
Partenaire(s) de recherche : | Laboratoire : TSE-R - Toulouse School of Economics - Recherche |
Mots clés
Mots clés libres
Résumé
Ce sujet de thèse traite de l'étude des propriétés de la sensibilité des prédictions générées par les réseaux de neurones. De nombreux travaux ont abordé la question, mais il manque aux approches récentes l'utilisation d'une théorie rigoureuse de la différentiation automatique non lisse. En effet cette dernière est, à ce jour, la seule manière simple et rapide d'évaluer numériquement les variations d'un réseau non lisse (basé par exemple sur ReLU, max pooling). Ce projet vise à proposer des protocoles d'analyse de sensibilité des réseaux de neurones et des algorithmes s'accompagnant de garanties théoriques basée sur le calcul conservatif. Les chercheurs ANITI qui participent à l'encadrement de ce sujet de thèse ont démontré dans des travaux récents que les approches typiques de différentiation algorithmique dans les librairies très utilisées pour l'apprentissage profond (PyTorch, TensorFlow) soulèvent des problèmes mathématiques notables. Ils ont posé les bases théoriques d'un calcul via autodiff, nommé calcul conservatif. Ces résultats semblent prometteurs et suscitent un fort intérêt de la communauté scientifique en apprentissage profond. Le sujet de thèse vise en particulier à tirer partie de cette dynamique de recherche avec comme objectif de développer des outils quantitatifs de robustesse pour les réseaux de neurones.