DEEL DEpendable & Explainable Learning

机器学习（ML）应用于航空航天工业的复杂问题，具有高标准的性能和安全性，需要使技术强大，易于理解，保证隐私，从而获得当局的认证。DEEL项目是法国的ITS Saint Exupéry、IVADO和加拿大的CRIAQ之间开展国际合作的结果，旨在通过几个行业参与者和几所加拿大大学之间的多学科合作，向使用机器学习技术解决加拿大航空航天工业的各种问题迈出第一步，这些大学有十几名研究人员和二十多名研究生，第一个主题涉及鲁棒性，包括开发ML方法，即使在设计过程中没有观察到的极端情况下也保持有效。为了完成这项工作，我们依赖于测量决策不确定性的方法，管理上下文变化，以及对攻击具有鲁棒性的方法。第二个主题涉及可解释性，并涉及开发向专家（设计师，机组人员）提供解释的方法，以使系统的决策或建议可以理解。本主题中使用的方法基于学习模型的透明性概念和给定决策的可解释性概念。第三个主题涉及设计隐私，涉及开发方法，确保用于设计ML模型的数据保持机密，并且不能从系统的结果或操作中重建。本主题中使用的方法基于数据中噪声的受控添加和加密数据的学习。这三个主题旨在提供提高ML系统结果的可信度并实现可认证性的技术。第四个主题的目标是开发ML认证技术。我们建议使用软件工程的方法和最佳实践，例如测试和形式化方法，来发现如何使它们适应ML。(cr)#（f）应用航空航天工业复杂问题自动检测系统，该系统具有高性能和安全标准，需要提供可靠的技术、综合性技术、隐私和安全保障、经当局认证的技术。Le projet DEEL，issue d'une collaboration internationale entre l'ITS Saint Exupéry en France，l'IVADO et le CRIAQ Au Canada，Vise à faire un premier pas vers l'utilisation de l'automatique par l'industrie aérosatiale canadienne via une collaboration multidisciplinaire entre plusieurs accounting industriels et plusieurs universities canadiennes regroupant plus d'une dizaine de chercheurs et plus d'une vingtaine d'étudiants gradués et professionnels每年都有资格。Le premier thème traite de la robustesse et consiste à déciliper des methodes qui restent efficaces même dans des situations extrêmes non observées pendant l'autissage.因此，我们利用决策不确定性的措施，对背景变化的管理以及对攻击的鲁棒性。第二个问题是解释性问题，它包括专家解释的方法，以便理解系统的决定或意见。在这一主题中使用的方法是基于模型的可解释性和决策的可解释性。Le troisième thème traite de la vie privée par conception et consiste à déciliper des methodes qui guarantissent la confidentialité des données utilisées lors de l'estrissage et lors de l'utilisation des résultats.在这方面所采用的方法是基于对杂音的控制和使用。这三个问题都是为了客观地提高对自动认证系统结果的信心，并确保认证的有效性。客观事实

The application of machine learning (ML) to the complex problems of the aerospace industry, which has high standards of performance and security, needs to make the techniques robust, comprehensible, guaranteeing privacy and thus certifiable by the authorities. The DEEL project, as a result of an international collaboration between ITS Saint Exupéry in France, IVADO and CRIAQ in Canada, aims to take a first step towards the use of machine learning techniques for various problems of the Canadian aerospace industry through a multidisciplinary collaboration between several industry players and several Canadian universities with more than a dozen researchers and more than twenty graduate students and highly qualified professionals annually.The first theme deals with robustness and consists of developing ML methods that remain effective even in extreme situations not observed during design. To do this work, we rely on methods for measuring decision uncertainty, managing context changes, and methods that are robust to attack. The second theme deals with interpretability and involves developing methods that provide explanations to experts (designer, crew) to make the decisions or advice of the system understandable. The methods used in this theme are based on the notion of transparency of the learned model and on the notion of explicability of a given decision.The third theme deals with privacy by design and involves developing methods that ensure that the data used to design the ML model remains confidential and cannot be rebuilt from the results or operation of the system. The methods used in this theme are based on the controlled addition of noise in data and learning on encrypted data.These three themes aim to provide techniques to improve trust in the results of ML systems and to enable certifiability. The objective of this fourth theme is to develop ML certifiability techniques. We propose using methods and best practices of software engineering, such as tests and formal methods, to discover how to adapt them to ML.#(cr)#(lf)L'application de l'apprentissage automatique aux problèmes complexes de l'industrie aérospatiale, qui possède de hauts standards de performance et de sécurité, nécessite de rendre les techniques robustes, compréhensibles, garantes de la vie privée et ainsi, certifiables par les autorités. Le projet DEEL, issue d'une collaboration internationale entre l'ITS Saint Exupéry en France, l'IVADO et le CRIAQ au Canada, vise à faire un premier pas vers l'utilisation de l'apprentissage automatique par l'industrie aérospatiale canadienne via une collaboration multidisciplinaire entre plusieurs acteurs industriels et plusieurs universités canadiennes regroupant plus d'une dizaine de chercheurs et plus d'une vingtaine d'étudiants gradués et professionnels hautement qualifiés annuellement. Le premier thème traite de la robustesse et consiste à développer des méthodes qui restent efficaces même dans des situations extrêmes non observées pendant l'apprentissage. À cet effet, nous utilisons des mesures de l'incertitude des décisions, la gestion des changements de contextes et la robustesse aux attaques. Le deuxième thème traite de l'interprétabilité et consiste à développer des méthodes qui fournissent des explications à des experts pour leur permettre de comprendre les décisions ou les conseils du système. Les méthodes utilisées dans ce thème se basent sur la transparence du modèle et l'explicabilité d'une décision donnée. Le troisième thème traite de la vie privée par conception et consiste à développer des méthodes qui garantissent la confidentialité des données utilisées lors de l'apprentissage et lors de l'utilisation des résultats. Les méthodes utilisées dans ce thème se basent sur l'ajout contrôlé de bruit et l'utilisation de données chiffrées. Ces trois thèmes ont pour objectif d'améliorer la confiance dans les résultats des systèmes d'apprentissage automatique et de permettre la certificabilité. L'objectif de ce qua