Vers la robustesse : les réseaux de neurones comme systèmes dynamiques face aux attaques adversariales

Cette thèse s’intéresse à la robustesse des modèles d’intelligence artificielle face aux attaques adversariales, en particulier dans le cadre des tâches de classification, à travers le prisme de la théorie des systèmes dynamiques. Les attaques adversariales consistent en des perturbations subtiles, souvent imperceptibles, appliquées aux données d’entrée, pouvant induire les modèles en erreur. Ces attaques représentent un obstacle majeur à l’adoption massive des systèmes d’IA, notamment dans des domaines critiques tels que la santé ou les véhicules autonomes. En modélisant les réseaux de neurones comme des systèmes dynamiques, nous obtenons une meilleure compréhension de leur comportement en situation adverse et proposons de nouvelles stratégies de défense fondées sur cette approche. Ce travail ouvre la voie à une IA plus fiable et digne de confiance.