Back to search

École de technologie supérieure

Robustesse adversariale en apprentissage automatique classique, quantique et hybride pour la classification d'images

Abstract

dc:description

Un modèle peut atteindre une excellente précision sur des données propres tout en modifiant sa décision sous l’effet d’une perturbation faible et structurée. Cette fragilité soulève une question fondamentale : les modèles apprennent-ils des structures stables ou des régularités suffisantes, mais sensibles à certaines directions de l’espace d’entrée ? L’apprentissage automatique quantique prolonge cette question, puisque l’encodage des données, les circuits paramétrés et la mesure imposent d’autres manières de représenter l’information. Ce mémoire utilise les attaques adversariales comme une sonde des différences entre architectures, au-delà d’une simple comparaison de robustesse. Le benchmark du mémoire réunit dix architectures classiques, quantiques et hybrides, déclinées en 49 configurations pour étudier des choix de capacité, d’encodage, d’ansatz, de profondeur et d’interface. Après entraînement et sélection, 33 configurations sont retenues pour l’évaluation complète sous attaques directes et transférées. L’analyse distingue la vulnérabilité aux gradients propres du modèle, sa capacité à produire des perturbations transférables, son exposition comme cible et la performance conservée sous de faibles perturbations. Des diagnostics complémentaires examinent les marges, la sensibilité spatiale, les gradients, les ensembles d’échecs et la propagation du déplacement adversarial. Les résultats ne révèlent aucune robustesse intrinsèque propre à une famille de modèles. Les classificateurs quantiques variationnels demeurent fortement vulnérables à leurs propres gradients en raison d’une séparation limitée de leurs sorties, tout en étant moins vulnérables aux attaques provenant de certaines sources externes. Un traitement quantique local et partagé peut produire des perturbations transférables entre plusieurs familles, tandis que certaines architectures hybrides tardives conservent une meilleure performance sous de faibles perturbations. Plus généralement, les transferts sont directionnels et propres aux couples source–cible, montrant que des architectures peuvent partager certaines vulnérabilités sans présenter la même géométrie décisionnelle locale. La robustesse adversariale apparaît ainsi comme une propriété architecturale et relationnelle plutôt que comme un attribut uniforme du calcul classique ou quantique. Les attaques révèlent comment les modèles diffèrent par leur manière d’encoder l’entrée, de séparer leurs sorties, d’organiser leur sensibilité et de rendre certaines directions accessibles à la décision. Ces conclusions sont limitées par l’utilisation principale de MNIST, de simulations quantiques idéales et d’attaques par le signe du gradient (FGSM), mais fournissent un cadre expérimental pour étudier des données plus complexes, des attaques plus fortes et des comparaisons contrôlées des composantes classiques et quantiques.

Degree

thesis:*
Name thesis:degree_name
Mémoire de maîtrise électronique
Level thesis:degree_level
masters
Grantor dc:publisher
École de technologie supérieure
Year dc:date
2026

Author and committee

dc:creator, dc:contributor.*
Author dc:creator
  • Wilhelmy, Félix

Subjects

dc:subject × 1

Rights

Language dc:language
fr

Identifiers

dc:identifier.*
Identifier
INSERT-YOUR-LIBRARY-ID-HERE4144

Chain of custody

source
Harvested from
ETS (Quebec)
Base URL
espace.etsmtl.ca/cgi/oai2
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Wilhelmy, Félix. Robustesse adversariale en apprentissage automatique classique, quantique et hybride pour la classification d'images. masters thesis, École de technologie supérieure, 2026.