abstractnn.soundness_checker

Vérification statistique de la soundness des bornes calculées

Functions

monte_carlo_robustness_test(model_path, ...)

Test Monte Carlo de robustesse empirique

Classes

SoundnessChecker(model_path)

Vérifie statistiquement que les bornes calculées sont correctes (sound)

class abstractnn.soundness_checker.SoundnessChecker(model_path: str)

Vérifie statistiquement que les bornes calculées sont correctes (sound)

__init__(model_path: str)

check_soundness(image_path: str, bounds: Dict[str, Tuple[float, float]], noise_level: float, num_samples: int = 1000) → Dict

Vérifie la soundness en échantillonnant aléatoirement dans la région bruitée

Parameters:

• image_path – Chemin vers l’image d’entrée

• bounds – Bornes calculées par le moteur formel {class: (lower, upper)}

• noise_level – Niveau de bruit appliqué

• num_samples – Nombre d’échantillons à tester

Returns:

Dictionnaire contenant les statistiques de soundness

print_soundness_report(results: Dict)

Affiche un rapport de soundness lisible

abstractnn.soundness_checker.monte_carlo_robustness_test(model_path: str, image_path: str, noise_level: float, num_samples: int = 10000) → Dict

Test Monte Carlo de robustesse empirique

Compare avec l’évaluation formelle pour valider la conservativité

Parameters:

• model_path – Chemin vers le modèle ONNX

• image_path – Chemin vers l’image

• noise_level – Niveau de bruit

• num_samples – Nombre d’échantillons Monte Carlo

Returns:

Statistiques de robustesse empirique