⚡ electrical engineering

Data-driven Reachable Set Estimation with Tunable Adversarial and Wasserstein Distributional Guarantees

Cet article propose une méthode d'estimation de l'ensemble atteignable pour des systèmes dynamiques discrets inconnus, basée sur des trajectoires échantillonnées, qui offre des garanties probabilistes ajustables face aux perturbations adverses et aux dérifts de distribution de Wasserstein via une optimisation de scénarios relaxée et des reformulations convexes pour diverses géométries.

Auteurs originaux : Georgios Pantazis, Michelle S. Chong

Publié 2026-04-15

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Georgios Pantazis, Michelle S. Chong

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🌍 Le Grand Défi : Prévoir l'Inconnu

Imaginez que vous êtes le capitaine d'un vaisseau spatial qui voyage vers une planète inconnue. Vous n'avez pas de carte précise, mais vous avez des milliers de rapports de voyages précédents (des données) envoyés par d'autres vaisseaux.

Votre mission est de dessiner une "Zone de Sécurité" sur votre carte. Cette zone doit être assez grande pour contenir n'importe quel chemin que votre vaisseau pourrait prendre à l'avenir, mais pas trop grande, sinon vous ne saurez jamais où vous êtes vraiment.

C'est le problème de l'estimation de l'ensemble atteignable (Reachable Set Estimation) : comment dessiner cette zone de sécurité parfaite à partir de données imparfaites ?

🛠️ La Solution : Un Filet de Pêche Ajustable

Les auteurs de ce papier proposent une nouvelle méthode pour dessiner cette zone. Voici comment ils le font, avec des analogies simples :

1. Le compromis "Taille vs Sécurité" (Le paramètre $\rho$ )

Imaginez que vous devez attraper des poissons (vos données) avec un filet.

Si vous voulez un filet très petit et précis, vous risquez de laisser passer un poisson un peu plus gros que prévu (un risque de sécurité).
Si vous voulez un filet énorme, vous êtes sûr de tout attraper, mais votre filet devient inutilement gros et encombrant.

Les chercheurs ont inventé un bouton de réglage (appelé $\rho$ ).

Si vous tournez le bouton vers la sécurité, le filet s'agrandit pour couvrir toutes les données, même les plus bizarres.
Si vous le tournez vers la précision, le filet se resserre, mais vous acceptez un petit risque de laisser passer un poisson hors du filet.
C'est ce qu'ils appellent un "compromis réglable".

2. La menace des "Pirates" (Perturbations Adversariales)

Parfois, les données que vous recevez ne sont pas parfaites. Un pirate (un adversaire) pourrait avoir trafiqué un rapport de voyage pour vous envoyer dans la mauvaise direction, ou simplement à cause d'une erreur de capteur (bruit).

La méthode classique dit : "Je fais confiance à mes données, point."
La méthode de ce papier dit : "Et si le pirate avait menti ?"

Ils imaginent que chaque donnée reçue est entourée d'une bulle de danger. Au lieu de dessiner la zone de sécurité autour du point exact, ils la dessinent autour de toute la bulle. Ainsi, même si le pirate a déplacé la donnée de quelques mètres, votre filet de sécurité est assez large pour la rattraper quand même. C'est comme porter un imperméable large : même s'il pleut un peu plus fort que prévu, vous restez au sec.

3. Le changement de climat (Décalage de Distribution)

Imaginez que vous avez appris à naviguer avec des données prises en été. Mais soudain, vous devez naviguer en hiver. Les courants sont différents, le vent souffle autrement. C'est ce qu'on appelle un changement de distribution.

Les chercheurs ont prouvé mathématiquement que leur méthode est résiliente. Même si le climat change un peu (le "Wasserstein distance" est une façon de mesurer à quel point le nouveau climat est différent de l'ancien), leur filet de sécurité reste valable. Ils ont calculé une formule qui dit : "Même si le climat change un peu, la probabilité que vous soyez hors de la zone de sécurité augmente très lentement et de manière contrôlée."

📐 Les Formes du Filet (Géométrie)

Pour dessiner cette zone, on peut utiliser différentes formes géométriques, comme des outils dans une boîte à outils :

Des boules (Sphères) : Simples, rondes, comme des ballons.
Des ellipsoïdes : Des ballons un peu écrasés ou étirés, qui s'adaptent mieux à la direction du vent.
Des zonotopes : Des formes complexes, un peu comme des cristaux ou des boîtes en carton pliable, qui peuvent épouser des formes très précises et complexes.

Les chercheurs ont montré comment transformer leur problème complexe en équations simples (convexes) pour que les ordinateurs puissent calculer ces formes rapidement, quelle que soit la forme choisie.

🎯 En Résumé : Pourquoi c'est génial ?

Ce papier est important car il résout trois problèmes majeurs d'un seul coup :

Flexibilité : Vous pouvez choisir vous-même si vous voulez une zone très large (sûre) ou très petite (précise).
Robustesse : Votre zone de sécurité reste valable même si vos données sont bruitées ou si quelqu'un essaie de vous tromper.
Résilience : Votre zone de sécurité reste valable même si les conditions réelles changent légèrement par rapport à vos données d'apprentissage.

L'analogie finale :
C'est comme si vous appreniez à conduire une voiture autonome. Au lieu de dire "La route est exactement ici", votre système dit : "La route est probablement ici, mais même si un enfant traverse, si la pluie rend la route glissante, ou si la carte est légèrement fausse, ma zone de sécurité est assez intelligente pour que la voiture ne sorte jamais de la route."

C'est une méthode qui combine la prudence d'un vieux capitaine et la précision d'un ordinateur moderne. 🚀🛡️

1. Problématique

L'article aborde le problème de l'estimation des ensembles atteignables (reachable sets) pour des systèmes dynamiques discrets à temps fini, dont la dynamique est inconnue ou partiellement connue.

Contexte : Les méthodes traditionnelles reposent sur des modèles précis, mais de nombreuses applications modernes disposent uniquement de données de trajectoires échantillonnées (simulations ou expériences).
Défis identifiés : La littérature existante peine à adresser simultanément trois défis pratiques :
1. L'existence d'un compromis (trade-off) réglable entre la taille de l'ensemble (précision/étroitesse) et sa fiabilité (garanties probabilistes d'inclusion).
2. La robustesse face aux données de trajectoires perturbées (bruit ou attaques adverses).
3. La garantie de dégradation gracieuse des performances en cas de décalage de distribution (distribution shift) lors du déploiement, mesuré par la distance de Wasserstein.

2. Méthodologie

Les auteurs proposent un cadre unifié basé sur l'approche par scénarios (scenario approach) avec relaxation, étendue pour inclure la robustesse adversaire et distributionnelle.

A. Formulation de base : Estimation avec compromis réglable

Au lieu de traiter l'optimisation par scénarios comme une boîte noire, les auteurs formulent un programme de relaxation :

Objectif : Minimiser une fonction de taille de l'ensemble (ex: volume, rayon) tout en assurant que les trajectoires observées sont incluses.
Relaxation : Introduction de variables de relâchement ( $\xi_i$ ) pour chaque trajectoire échantillonnée. Cela permet de tolérer certains écarts (outliers) au lieu d'imposer des contraintes dures.
Paramètre de réglage ( $\rho$ ) : Un paramètre de pénalité contrôle le compromis. Une valeur élevée de $\rho$ force une meilleure inclusion des trajectoires observées (au prix d'un ensemble plus grand), tandis qu'une valeur faible privilégie un ensemble plus petit mais plus risqué.

B. Robustesse Adversaire

Pour gérer les perturbations des données (bruit ou attaques), le modèle suppose que chaque trajectoire échantillonnée $x^{(i)}$ peut être perturbée dans un ensemble $\mathcal{A}_{x^{(i)}}$ défini par une métrique de distance (ex: norme $p$ ) et un rayon $R$ .

Le programme d'optimisation est reformulé pour garantir que toutes les perturbations possibles d'une trajectoire donnée restent à l'intérieur de l'ensemble estimé.
Cela conduit à un problème d'optimisation robuste où les contraintes sont vérifiées sur les sommets d'une approximation polytopique de l'ensemble d'adversaires.

C. Garanties Probabilistes et Complexité Adversaire

Complexité Adversaire ( $s^*_A$ ) : Une nouvelle métrique est définie pour compter le nombre de trajectoires "critiques" (celles qui déterminent les bords de l'ensemble après perturbation).
Théorème 1 : Fournit des bornes probabilistes a posteriori sur la probabilité d'exclusion de trajectoire (violation future). Ces bornes dépendent du nombre d'échantillons $N$ , du paramètre de confiance $\beta$ , et de la complexité adversaire $s^*_A$ .
Robustesse Distributionnelle (Théorème 2) : En cas de décalage de distribution (le vrai système suit une distribution $\tilde{P}$ proche de la distribution nominale $P$ selon la distance de Wasserstein), les auteurs dérivent une borne explicite. La probabilité de violation hors distribution est majorée par la borne nominale plus un terme proportionnel au rapport entre le rayon de Wasserstein et le rayon de perturbation adversaire.

D. Reformulations Convexes

Pour rendre le problème calculable, l'article propose des reformulations convexes pour trois géométries d'ensembles courantes :

Boules en norme $p$ : Reformulation basée sur les rayons et centres.
Ellipsoïdes : Utilisation de matrices définies positives et de déterminants (ou logarithmes de déterminants pour la convexité).
Zonotopes : Reformulation linéaire utilisant des matrices génératrices et des facteurs d'échelle.

3. Contributions Clés

Cadre de compromis réglable : Intégration de variables de relâchement dans l'approche par scénarios pour l'estimation d'ensembles atteignables, permettant de contrôler explicitement le compromis taille/fiabilité.
Robustesse aux perturbations : Extension de la méthode pour gérer des trajectoires perturbées par des adversaires, avec des garanties probabilistes dérivées de la théorie de l'optimisation robuste par scénarios.
Garanties de dégradation gracieuse : Dérivation de bornes explicites sur la dégradation des garanties en cas de décalage de distribution (Wasserstein), reliant la robustesse aux perturbations locales à la robustesse distributionnelle globale.
Implémentation pratique : Fourniture de formulations convexes tractables pour des géométries variées (boules, ellipsoïdes, zonotopes), rendant la méthode applicable numériquement.

4. Résultats et Validation

Les auteurs valident leur approche via des simulations numériques sur un système dynamique stochastique non linéaire :

Étude de sensibilité au paramètre $\rho$ : Les résultats montrent que l'augmentation de $\rho$ augmente la taille de l'ensemble estimé, améliorant ainsi la couverture des trajectoires perturbées, confirmant le rôle de paramètre de réglage.
Comparaison des géométries :
- Les zonotopes offrent des ensembles plus étroits (moins conservateurs) mais nécessitent plus d'échantillons pour atteindre les mêmes garanties théoriques que les boules ou les ellipsoïdes.
- Les boules et ellipsoïdes convergent plus rapidement avec le nombre d'échantillons.
Validation des bornes : Les probabilités de violation empiriques (mesurées sur des ensembles de test) restent systématiquement en dessous des bornes théoriques prédites, tant pour les perturbations adverses que pour les décalages de distribution (Wasserstein).
Robustesse Distributionnelle : L'expérience montre que la méthode reste robuste même lorsque les conditions initiales et les perturbations du système de test suivent une distribution différente de celle d'entraînement, tant que le décalage reste dans le rayon de Wasserstein spécifié.

5. Signification et Impact

Ce travail est significatif car il comble un vide important entre la théorie de l'optimisation par scénarios et les besoins pratiques de la vérification de systèmes sûrs (safety-critical systems) basés sur les données.

Il transforme l'approche par scénarios d'un outil "boîte noire" en une méthode transparente et réglable, où l'ingénieur peut ajuster le niveau de conservatisme.
Il offre une théorie unifiée pour gérer à la fois le bruit de mesure, les attaques malveillantes et les changements de distribution environnementale, trois sources d'incertitude critiques pour le déploiement réel de systèmes autonomes.
La capacité à fournir des certificats de robustesse a posteriori (après l'entraînement) renforce la confiance dans les systèmes appris à partir de données, un enjeu majeur pour l'IA sûre.