DEEL DEpendable & Explainable Learning

机器学习(ML)应用于性能和安全标准很高的航空航天工业的复杂问题，需要使技术健壮、可理解、保证隐私，从而获得当局的认证。Deel项目是法国的Saint Exupéry、IVADO和加拿大的CRIAQ之间的国际合作的结果，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工业的各种问题迈出第一步。几所加拿大大学每年都有十几名研究人员和二十多名研究生和高素质的专业人员。第一个主题涉及健壮性，包括开发即使在设计过程中没有观察到的极端情况下仍然有效的ML方法。为了完成这项工作，我们依赖于测量决策不确定性的方法、管理上下文变化的方法以及对攻击具有健壮性的方法。第二个主题涉及可解释性，并涉及开发向专家(设计者、工作人员)提供解释的方法，以使系统的决策或建议易于理解。本主题中使用的方法基于学习模型的透明度和给定决策的可解释性的概念。第三主题通过设计来处理隐私，并涉及开发方法，以确保用于设计ML模型的数据保持机密性，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是基于数据中噪声的受控添加和对加密数据的学习。这三个主题旨在提供提高对ML系统结果的可信性和实现可认证性的技术。第四个主题的目标是开发ML可认证性技术。我们建议使用软件工程的方法和最佳实践，如测试和形式化方法，来发现如何使它们适应ML。#(Cr)#(F)L的应用de L‘apprentisage Automatique aux Problèmes Complex de L的工业aérorospale，Qui possède hauts Standard de Performance et de Sécurité，nécessite de rendre的技术健壮性，计算机，可认证的权利和义务，可认证的权利和义务。《项目设计》，法国国际合作组织L的圣埃克雷埃，L’VADO et le CRENDRE，加拿大通过多学科的协作，L和L的学徒将自动化应用到加拿大的工业中去，S的企业、企业和企业都将进入加拿大的行业，S的大学将重新组织起来，S和他的导师们将获得专业资格。这是L的徒弟，也是第一任总理兼首席执行官。L的决策不确定，上下文和背景的变化也不确定，这些都是值得注意的。L的《经济和社会发展指南》解释了专家和系统之间的关系。《现代的透明与L的解释》。《三驾马车》的概念与发展一致，《L的技术与应用》的应用于中国。《L和L的工作》由L主持，由L和L主持。Ces trois thèmes on t Pour Objectif d‘amélier la fiance dans les résutats des Systèmes d’Apprentisage Automatique et de Permettre la certiablité.L的客体

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