Outil dédié à l'amélioration de la détection d'anomalies (OOD) dans les modèles d'apprentissage profond. Il permet d'appliquer la méthode LogitNorm pour normaliser les logits lors de l'entraînement, renforçant ainsi la robustesse des modèles face à des données hors distribution. Le projet inclut également des fonctionnalités d'évaluation comparative de différentes méthodes de détection d'anomalies sur des jeux de données prédéfinis.

Rez-Mež est un outil dédié à l'analyse de la résistance des contre-modèles en logique propositionnelle. Il permet d'évaluer comment des familles d'opérateurs extensifs affectent la robustesse des interprétations initiales d'une formule. Le projet propose également des fonctionnalités pour convertir des formules en forme normale disjonctive (DNF) et pour mesurer des métriques spécifiques comme le delta H ou le nu O. Développé dans le cadre du projet BLaSST, il s'inscrit dans un contexte de recherche académique et industrielle en logique et vérification formelle.

Ce projet propose une méthode de formation robuste contre les attaques adverses en utilisant la théorie récente des transports optimaux et un nouveau métrique de robustesse. Il fournit des outils pour entraîner des modèles avec cette méthode et pour évaluer leur robustesse contre différents types d'attaques adverses.

Outil conçu pour tester et comparer différentes estimations de population mondiale dans le cadre de modèles épidémiologiques. Il génère des fichiers de données et de paramètres adaptables à SatScan (modèle de Poisson) pour évaluer la sensibilité des résultats. Utilisé lors d'une école de recherche, il permet de simuler des scénarios de santé publique et d'analyser leur robustesse en fonction des données disponibles.

Outil dédié à l'évaluation et à la comparaison de modèles bayésiens et d'algorithmes statistiques. Il permet de mesurer les performances de différentes approches en termes de précision, de temps de calcul et de robustesse. Utilisé par des chercheurs et des data scientists pour valider des hypothèses ou optimiser des modèles avant leur déploiement en production.

Ce projet propose un benchmark dédié à l'évaluation des performances des modèles de détection d'objets en conditions hors distribution. Il permet de mesurer la robustesse et la généralisation des algorithmes d'intelligence artificielle face à des données non conformes à leur entraînement initial. L'objectif est d'identifier les forces et faiblesses des approches actuelles pour améliorer leur fiabilité dans des scénarios réels.

Tagada est un outil spécialisé dans la cryptanalyse différentielle automatisée. Il permet de générer des modèles déclaratifs pour analyser la sécurité des chiffrements par blocs comme AES. Le projet facilite la recherche de caractéristiques différentielles et la visualisation des graphes cryptographiques associés, aidant ainsi les chercheurs et cryptanalystes à évaluer la robustesse des algorithmes de chiffrement.

Outil dédié à l'analyse de sensibilité et à l'optimisation de modèles mathématiques ou physiques. Il permet d'identifier les paramètres les plus influents sur les résultats d'un système, d'évaluer les incertitudes et de comparer différents scénarios. Utilisé dans des domaines comme la recherche scientifique, l'ingénierie ou l'économie pour améliorer la robustesse et la précision des modèles.

Ce projet vise à analyser des jeux de données socio-économiques pour identifier et corriger les biais présents dans les algorithmes d'apprentissage automatique. Il permet aux chercheurs et aux décideurs publics d'évaluer l'équité des modèles prédictifs et d'améliorer leur robustesse face aux discriminations systémiques.