L'article présente un cadre de conception expérimentale séquentielle sensible à la décision et robuste face aux attaques, qui prend en compte le gain d'information par rapport aux effets inattendus du pire des cas modélisés comme des variables adversariales.
- L'approche formalise une prise de décision optimale robuste face aux attaques au sein de la théorie bayésienne de la décision.
- Elle déduit un critère de conception expérimentale bayésien fondé qui cible explicitement la stabilité de la décision plutôt que l'optimalité nominale.
- Les expériences sur des ensembles de données synthétiques et réels montrent que les méthodes conventionnelles convergent vers des décisions à haute confiance mais fragiles, tandis que la méthode proposée produit des résultats significativement plus stables et fiables sous variation adversariale.