Stanford CS230 | Autumn 2025 | Lecture 4: Adversarial Robustness and Generative Models

Ce cours magistral de Stanford CS230 offre une introduction solide et pédagogique à deux domaines clés de l’IA moderne : la robustesse adversarial et les modèles génératifs. La valeur des informations est élevée : les concepts sont expliqués avec clarté, en s’appuyant sur des exemples concrets et des démonstrations interactives. L’argumentation est solide, les intervenants prennent soin de justifier chaque étape, notamment en montrant comment formuler une attaque comme un problème d’optimisation. La rigueur scientifique est exemplaire : les explications sont conformes à l’état de l’art et les limites des méthodes sont mentionnées. Les sources ne sont pas explicitement citées dans la vidéo, mais le contenu est cohérent avec les publications de référence (par exemple, l’article de Szegedy et al. sur les propriétés intrigantes des réseaux de neurones). La qualité des sources est donc indirecte, mais la crédibilité des intervenants compense ce manque. L’adéquation entre le titre et le contenu est parfaite : les deux thèmes annoncés sont traités en profondeur. Le cours est destiné à un public ayant des bases en apprentissage profond, mais il reste accessible grâce à des explications intuitives. On peut toutefois regretter l’absence de références bibliographiques explicites, ce qui limiterait l’approfondissement autonome. De plus, la partie sur les modèles de diffusion est plus succincte que celle sur les GAN, alors qu’elle est très pertinente pour les applications actuelles. Enfin, la discussion sur les attaques adversariales est bien équilibrée, mais elle aurait pu mentionner davantage de défenses. Dans l’ensemble, ce cours est excellent pour acquérir une compréhension conceptuelle et pratique de ces sujets.

Le titre est parfaitement adapté : la conférence couvre effectivement la robustesse adversarial et les modèles génératifs, comme annoncé.

9/10

Cours magistral de niveau universitaire par des experts reconnus (Andrew Ng, Kian Katanforoosh), présentant des concepts fondamentaux et des méthodes modernes avec rigueur. Les explications sont claires, structurées et illustrées d'exemples concrets. Les sources sont implicites mais le contenu est cohérent avec l'état de l'art.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 00:00Introduction du cours et présentation des deux thèmes : robustesse adversarial et modèles génératifs.
• 02:00Discussion interactive sur les exemples d'attaques sur les modèles d'IA (injection de prompt, empoisonnement de données).
• 05:00Présentation des trois vagues d'attaques adversariales : exemples adversariales, attaques par porte dérobée, injections de prompt.
• 10:00Explication de la génération d'exemples adversariales par optimisation de la perte par rapport aux pixels d'entrée.
• 15:00Démonstration que les images forgées ne ressemblent pas à des objets réels, mais peuvent être contraintes à rester proches d'une image d'origine.
• 20:00Introduction aux attaques par porte dérobée et à l'injection de prompt, avec des exemples concrets.
• 30:00Transition vers les modèles génératifs, présentation des GAN et de leur principe de jeu antagoniste.
• 40:00Explication des modèles de diffusion, leur fonctionnement et leur popularité pour la génération d'images et de vidéos.
• 50:00Discussion sur les applications et les défis des modèles génératifs, et conclusion du cours.

• CS230 Syllabus — Programme du cours CS230, mentionné pour suivre le déroulement et les ressources.
• CS230 Deep Learning - Stanford Online — Page d'inscription au cours en ligne, mentionnée pour plus d'informations.
• Stanford Artificial Intelligence Professional and Graduate Programs — Lien vers les programmes d'IA de Stanford, mentionné en début de description.
• Playlist CS230 Autumn 2025 — Playlist des conférences du cours, mentionnée pour accéder aux autres vidéos.

• Intriguing properties of neural networks — Article fondateur sur les exemples adversariales, cohérent avec les explications du cours.
• Generative Adversarial Networks — Article original des GAN, cohérent avec la présentation du cours.
• Denoising Diffusion Probabilistic Models — Article de référence sur les modèles de diffusion, cohérent avec la partie générative.