Propriété d’une méthode, d’un estimateur ou d’un modèle à conserver des performances acceptables lorsqu’ils sont soumis à l’incertitude du modèle, à des perturbations, au bruit ou à des écarts par rapport aux hypothèses idéales.

Principe

Marge et insensibilité : la robustesse s’obtient par des conceptions ou algorithmes limitant l’influence des valeurs aberrantes, des erreurs de modélisation ou des perturbations dans le pire des cas, typiquement par des estimateurs à influence bornée, la régularisation ou des règles de décision prudentes.

Démonstration

Remplacer les moindres carrés par une perte de Huber produit des estimations de paramètres moins affectées par les valeurs aberrantes ; la régularisation de Tikhonov donne des solutions moins sensibles au bruit de mesure dans des problèmes inverses mal posés.

Mauvaise application

Supposer que la robustesse garantit des performances optimales en toutes circonstances conduit à une confiance excessive ; une régularisation excessive ou des choix trop prudents peuvent introduire un biais et dégrader les performances sur des données nominales et peu bruitées.

Conséquence

Une procédure robuste fournit des résultats plus fiables et interprétables sous écarts réalistes, améliore le comportement dans le pire des cas et peut accroître la confiance au déploiement, au prix éventuel d’une moindre efficacité dans des conditions idéales.

Inversion

La fragilité désigne des méthodes dont les sorties se détériorent fortement sous de petits écarts aux hypothèses, par exemple des estimateurs à influence non bornée qui échouent en présence de valeurs aberrantes.

Limite

Les affirmations de robustesse requièrent la spécification de la classe et de l’amplitude des perturbations admissibles ; la robustesse n’implique pas l’immunité face à des entrées adversariales arbitraires ni à une mauvaise spécification du modèle hors de l’ensemble considéré.

Tension sémantique

La robustesse chevauche la stabilité et la résilience mais insiste sur la performance acceptable sous ensembles d’incertitude spécifiés, tandis que la stabilité se rapporte plus étroitement à la propagation bornée des erreurs et au comportement algorithmique.

Synthèse

La robustesse synthétise conception à influence bornée, régularisation et décisions prudentes : quand les modèles d’incertitude spécifiés sont respectés, les méthodes robustes assurent une performance fiable en contrôlant la sensibilité aux écarts par rapport aux hypothèses idéales.