Cet article présente une nouvelle méthode d'audit de robustesse des réseaux de neurones profonds (DNN). Les audits de robustesse existants se concentrent sur les distorsions individuelles des images et ne reflètent pas fidèlement les distorsions complexes rencontrées dans les environnements réels. Dans cet article, nous proposons une méthode utilisant l'inférence causale pour mesurer l'impact de multiples facteurs du processus de traitement d'images sur les performances des DNN. Un modèle causal représente explicitement les facteurs pertinents pour le domaine et leurs interactions, et estime de manière fiable les effets causaux de chaque facteur en utilisant uniquement les données observées. Cette approche relie directement les vulnérabilités des DNN aux propriétés observables du pipeline d'images, contribuant ainsi à réduire le risque d'erreurs DNN imprévisibles en environnements réels. Nous validons l'efficacité de la méthode proposée par des expérimentations sur diverses tâches de vision utilisant des images naturelles et restituées.
