Une nouvelle prépublication déposée sur arXiv s’attaque à un sujet central de la sûreté de l’IA : la robustesse adversariale des perceptrons multicouches (MLP). Les auteurs proposent de reformuler ce problème comme un **parcours de treillis** où chaque nœud représente un intervalle, c’est-à-dire un hyper-rectangle aligné sur les axes, contenant un point d’entrée donné. L’objectif est de déterminer dans quelle zone l’entrée peut être perturbée sans modifier la prédiction du modèle, ou au contraire à partir de quelle sortie de zone un changement de prédiction est garanti.
L’article introduit deux notions de certification. Une certification **sound** garantit qu’à l’intérieur d’un intervalle donné, la prédiction du MLP reste inchangée. Une certification **complete**, présentée comme peu ou pas étudiée jusque-là, vise l’inverse : elle garantit qu’en dehors de l’intervalle, la prédiction doit changer. Les auteurs développent pour cela des opérateurs de parcours de treillis intégrés dans une boucle itérative de type **refine & verify**, en s’appuyant sur des vérificateurs formels pour MLP.
Sur le plan théorique, le papier met en avant une asymétrie notable entre les deux objectifs. Pour les certifications complètes, la solution minimale pourrait être obtenue avec un nombre polynomial d’appels à un oracle. En revanche, pour les certifications sound, les auteurs affirment démontrer des résultats d’intractabilité forte. Ils étudient aussi le cas d’intervalles symétriques, assimilés à des boules en norme $\ell_\infty$, pour lesquelles des algorithmes logarithmiques sont annoncés.
Enfin, l’étude comprend une évaluation empirique via un système baptisé **ParallelepipedoNN**. Le résumé disponible ne détaille toutefois ni les jeux de données, ni les métriques, ni l’ampleur des gains observés. À ce stade, la contribution paraît surtout marquante par son apport conceptuel : elle cherche à unifier certification, optimisation et vérification formelle dans un même cadre pour les MLP.