Cet article étudie la robustesse des autoencodeurs profonds (AE) face aux attaques adverses. Nous observons que la nature irréversible des AE conduit les algorithmes d'attaque adverse existants à rester sous-optimaux. Ceci est dû à l'affaiblissement des signaux de gradient causé par des valeurs singulières proches de zéro dans la couche mal conditionnée. Pour remédier à ce problème, nous proposons la technique GRILL, qui restaure localement les signaux de gradient dans la couche mal conditionnée. Des expériences sous diverses architectures d'AE, des configurations d'attaque spécifiques à un échantillon et à usage général, ainsi que des configurations d'attaque standard et adaptatives démontrent que GRILL améliore significativement l'efficacité des attaques adverses, renforçant ainsi la rigueur des évaluations de robustesse des AE.
