Contributions à la robustesse de l'apprentissage machine avec applications à la prédiction de trafic

L’intégration des modèles d'apprentissage profond dans des systèmes critiques tels que ceux de l'aviation civile se heurte à des défis liés à leur fiabilité, notamment en termes de robustesse.
Dans sa thèse intitulée « Contributions à la Robustesse de l'Apprentissage Machine avec Applications à la Prédiction de Trafic » réalisée à l’ENAC sous la direction de Daniel Delahaye (ENAC) et Nidhal Bouaynaya (Rowan University), Loïc Shi-Garrier s’est intéressé à ces enjeux en étudiant la vulnérabilité des réseaux de neurones aux attaques adversariales et en développant des méthodes pour renforcer leur robustesse. La thèse aborde également la prédiction de la congestion de l'espace aérien et la quantification de l’incertitude des modèles d'apprentissage profond.