Reliability of Deep Learning with Rare Event Simulation :Theory and Practice. (Fiabilité du Deep Learning avec simulation d'événements rares :théorie et pratique)

Karim Tit

Abstract: en fr This thesis studies the reliability of deep neural networks using rare-event simulation algorithms in the context of statistical reliability engineering. The aim is to assess the robustness of these networks in uncommon but crucial situations. The research focuses on the development of new statistical methods specifically for deep neural networks. These methods are designed to better understand how these networks behave in the face of unusual or corrupted data. A key achievement is the creation of new algorithms that improve the applicability of rare event simulation techniques to differentiable classifiers, a common feature in modern deep learning models. The study highlights the difficulties of applying traditional static reliability methods to the complex, high-dimensional data typical of deep learning. Despite these challenges, the results offer tools and approaches that can be applied to a variety of deep learning models. 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 modèlesmodernes d’apprentissage profond. L’étude met en évidence les difficultés d’application des méthodes traditionnelles de fiabilité sta tistique 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.