Cet article étudie la robustesse antagoniste des autoencodeurs profonds (AE). Nous soulignons le problème de la sous-optimisation des algorithmes d'attaque antagoniste existants en raison de la nature irréversible des AE. Plus précisément, nous observons que les gradients de perte antagoniste propagés dans les couches mal conditionnées disparaissent. Ceci est dû à l'affaiblissement du signal de gradient dû à des valeurs singulières de la matrice jacobienne de ces couches, approximativement nulles. Par conséquent, nous proposons la technique GRILL, qui restaure localement le signal de gradient dans les couches mal conditionnées. Des expériences approfondies sous diverses structures d'AE et configurations d'attaque (attaques spécifiques à un échantillon et à usage général, attaques standard et adaptatives) démontrent que GRILL améliore significativement l'efficacité des attaques antagonistes, permettant une évaluation plus rigoureuse de la robustesse des AE.
