Les algorithmes d’apprentissage ont montré d’excellents résultats dans diverses tâches et de multiples domaines. Cependant, ils ont également montré une grande fragilité lorsqu’ils sont confrontés à des situations qui diffèrent ne serait-ce que légèrement des données avec lesquelles ils ont été entraînés. Cette fragilité est une importante limitation pour des applications où il est difficile voire impossible de garantir que les données d’entraînement représentent bien les situations réelles. Pour l’industrie aéronautique, la robustesse d’un système réfère à sa capacité à opérer hors de ses conditions habituelles tout en maintenant un niveau de performance fixé à l’avance.
Cet axe de recherche vise ainsi le développement de méthodes d’apprentissages permettant de produire des modèles robustes ainsi que de la méthodologie adaptée à l’évaluation de la robustesse de ces modèles complexes et souvent opaques.
Responsable d’axe : Liam Paull, Université de Montréal