Este artículo presenta un nuevo método para la auditoría de robustez de redes neuronales profundas (DNN). Las auditorías de robustez existentes se centran en las distorsiones individuales de las imágenes, sin reflejar adecuadamente las complejas distorsiones presentes en entornos reales. En este artículo, proponemos un método que utiliza la inferencia causal para medir el impacto de múltiples factores en el procesamiento de imágenes sobre el rendimiento de las DNN. Un modelo causal representa explícitamente los factores relevantes para el dominio y sus interacciones, y estima de forma fiable los efectos causales de cada factor utilizando únicamente datos observados. Este enfoque vincula directamente las vulnerabilidades de las DNN con las propiedades observables del flujo de imágenes, lo que contribuye a reducir el riesgo de errores impredecibles de las DNN en entornos reales. Validamos la eficacia del método propuesto mediante experimentos en diversas tareas de visión con imágenes naturales y renderizadas.
