Main Content

La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.

Vérification

Entraîner des réseaux robustes et vérifier la robustesse des réseaux

La vérification du Deep Learning est un ensemble de techniques d’évaluation des propriétés des réseaux de neurones profonds. Par exemple, vous pouvez vérifier les propriétés de robustesse d’un réseau, calculer les limites de valeur de la sortie du réseau, trouver des exemples contradictoires, détecter les données hors distribution et vérifier la conformité aux normes de l’industrie.

Le support package Deep Learning Toolbox Verification Library permet de tester les propriétés de robustesse des réseaux de Deep Learning.

  • Utilisez la fonction verifyNetworkRobustness pour vérifier la robustesse du réseau par rapport à des exemples contradictoires. Un réseau est robuste par rapport à des entrées contradictoires si la classe prédite du réseau ne change pas lorsque l’entrée est perturbée entre les limites d'entrée inférieures et supérieures spécifiées. Pour un ensemble de limites d’entrée, la fonction vérifie si le réseau est robuste par rapport aux exemples contradictoires entre ces limites d’entrée et renvoie verified, violated ou unproven.

  • Utilisez la fonction estimateNetworkOutputBounds pour estimer la plage de valeurs de sortie que le réseau renvoie lorsque l’entrée est entre les limites inférieures et supérieures spécifiées. Utilisez cette fonction pour estimer dans quelle mesure les prédictions du réseau sont sensibles aux perturbations en entrée.

  • Utilisez la fonction networkDistributionDiscriminator pour créer un discriminateur de distribution qui distingue les données appartenant ou non à la distribution.

Fonctions

estimateNetworkOutputBounds Estimate output bounds of deep learning network (depuis R2022b)
verifyNetworkRobustnessVerify adversarial robustness of deep learning network (depuis R2022b)
networkDistributionDiscriminator Deep learning distribution discriminator (depuis R2023a)
isInNetworkDistributionDetermine whether data is within the distribution of the network (depuis R2023a)
distributionScoresDistribution confidence scores (depuis R2023a)
driseExplain object detection network predictions using D-RISE (depuis R2024a)

Objets

BaselineDistributionDiscriminatorBaseline distribution discriminator (depuis R2023a)
EnergyDistributionDiscriminatorEnergy distribution discriminator (depuis R2023a)
ODINDistributionDiscriminatorODIN distribution discriminator (depuis R2023a)
HBOSDistributionDiscriminatorHBOS distribution discriminator (depuis R2023a)

Rubriques

Exemples présentés