यह शोधपत्र डीप न्यूरल नेटवर्क्स (DNNs) की सुदृढ़ता ऑडिटिंग के लिए एक नवीन विधि प्रस्तुत करता है। मौजूदा सुदृढ़ता ऑडिट व्यक्तिगत छवि विकृतियों पर केंद्रित होते हैं, और वास्तविक-विश्व परिवेशों में पाई जाने वाली जटिल विकृतियों को पर्याप्त रूप से प्रतिबिंबित करने में विफल रहते हैं। इस शोधपत्र में, हम एक ऐसी विधि प्रस्तावित करते हैं जो DNN प्रदर्शन पर छवि प्रसंस्करण प्रक्रिया में कई कारकों के प्रभाव को मापने के लिए कार्य-कारण अनुमान का उपयोग करती है। एक कार्य-कारण मॉडल स्पष्ट रूप से डोमेन-प्रासंगिक कारकों और उनकी अंतःक्रियाओं का प्रतिनिधित्व करता है, और केवल प्रेक्षित आँकड़ों का उपयोग करके प्रत्येक कारक के कार्य-कारण प्रभावों का विश्वसनीय रूप से अनुमान लगाता है। यह दृष्टिकोण DNN कमजोरियों को छवि पाइपलाइन के अवलोकनीय गुणों से सीधे जोड़ता है, जिससे वास्तविक-विश्व परिवेशों में अप्रत्याशित DNN त्रुटियों के जोखिम को कम करने में योगदान मिलता है। हम प्राकृतिक और रेंडर की गई छवियों का उपयोग करके विभिन्न दृष्टि कार्यों पर प्रयोगों के माध्यम से प्रस्तावित विधि की प्रभावशीलता की पुष्टि करते हैं।
