Vers le contrôle des réseaux de neurones confrontés à des perturbations visuelles

En vue de l'élaboration de systèmes d'IA de confiance répondant à une application critique, cette thèse vise à améliorer le contrôle des réseaux de neurones par l'étude de leurs représentations internes potentiellement perturbées, au regard des nombreux facteurs de variation des données.Ce contrôle peut s'illustrer par le recours à un humain dans la boucle d'une prise de décision compréhensible et justifiée. Un premier axe de contrôle s'intéresse donc au démêlage des representations d'un réseau de neurones. Le démêlage vise à encoder distinctement les facteurs de variation des données. Néanmoins le démêlage n'est possible qu'à travers le développement de biais inductifs forts permettant l'extraction des facteurs sous-jacent des données.Par ailleurs, l'excès de confiance des modèles sur des exemples hors de sa distribution d'apprentissage nécessite une prise en charge.Un second axe de contrôle concerne l'amélioration de la robustesse d'un réseau de neurones faisant face à des perturbations visuelles au cours de son déploiement. L'apprentissage non supervisé à l'inférence permet de renforcer l'encodage des facteurs de variation des données utiles à la tâche du modèle pour réduire l'impact des facteurs résultant de la corruption des données.Suivant ces axes, notre thèse (i) intègre une proposition de démêlage de représentations par leur ré-encodage dans un ensemble varié de techniques aux objectifs très différents, (ii) développe une méthode d'amélioration de robustesse de réseau de neurones à l'inférence sur des données corrompues, (iii) et étudie les liens entre robustesse, détection d'exemples hors distribution et calibration de plusieurs architectures neuronales sur des données visuellement perturbées.