Fiabilité du Deep Learning avec simulation d’événements rares : théorie et pratique.

Cette thèse étudie la fiabilité des réseaux de neurones profonds en utilisant des algorithmes de simulation d’événements rares
dans le cadre de l’ingénierie de la fiabilité statistique. L’objectif est d’évaluer la robustesse de ces réseaux dans des situations peu communes mais cruciales. La recherche se concentre sur le développement de nouvelles méthodes statistiques spécifiquement pour les réseaux de neurones profonds. Ces méthodes sont conçues pour mieux comprendre comment ces réseaux se comportent face à des données inhabituelles ou corrompues. Une réalisation clé est la création de nouveaux algorithmes qui améliore l’applicabilité des techniques de simulations d'événements rares aux classificateurs différentiables, une caractéristique commune dans les modèles modernes d’apprentissage profond. L’étude met en évidence les difficultés d’application des méthodes traditionnelles de fiabilité statistique aux données complexes et de grande dimension typiques en apprentissage profond.
Malgré ces défis, les résultats offrent des outils et des approches qui peuvent être appliqués à divers modèles d’apprentissage profond.

____________________

ATTENTION  dans le cadre du plan VIGIPIRATE la règle suivante s'applique pour cet évènement :

L’accès du public à cette soutenance est contraint à une inscription préalable obligatoire auprès de aurelie [*] patieririsa [*] fr (aurelie[dot]patier[at]irisa[dot]fr)

Par ailleurs, les visiteurs ne porteront ni bagage ni sac.