AJout des résultats aia et de l'interprétation

1 files changed, 17 insertions, 15 deletions

diff --git a/aia/intro.tex b/aia/intro.tex
index b921ffc..c3656b6 100644
--- a/aia/intro.tex
+++ b/aia/intro.tex
@@ -1,20 +1,22 @@
-Nous avons vu à la Section~\ref{} que, pour imposer l'équitée à un modèle, nous pouvons utiliser différentes méthodes qui agissent lors de l'entraînement.
-Utiliser ces méthodes peut causer une augmentation de certain risque liée à la confidentialité des donnée d'entraînement, ainsi il est admis qu'il y ai un compromis à faire enre equitée et confidentialitée~\cite{dudu2023sok}.
-Cependant ce compromis ne concerne que les risquées liée aux attaque de MIA et rentre en coflit avec la confidentialité diférentielles~\cite{chang2021privacy,cummings,ijcai2022p766}.
+Nous avons vu à la Section~\ref{sec:background-eq-imp} que, pour imposer l'équité à un modèle, nous pouvons utiliser différentes méthodes qui agissent lors de l'entraînement.
+Utiliser ces méthodes peut causer une augmentation de certain risque liée à la confidentialité des donnée d'entraînement, ainsi il est admis qu'il y ai un compromis à faire entre équité et confidentialité~\cite{duddu2023sok}.
+Cependant ce compromis ne concerne que les risques liées aux attaques de MIA~\cite{chang2021privacy,cummings,ijcai2022p766}.
 
-Dans ce chapitre nous allons étudier les intéractions entre ces mécanismes d'équitée et l'attaque AIA.
-Nous allons montrer que sous cet angle, l'équitée et la confidentialitée travailent de concert.
+Dans ce chapitre nous allons étudier les interactions entre ces mécanismes d'équité et l'attaque AIA.
+Nous allons montrer que sous cet angle, l'équité et la confidentialité travaillent de concert.
 Cette étude peut être vue sous deux angles.
-Le premier aspect consiste à étudier comment les mécanisme d'équitée peuvent être utilisé pour mitiger différent types d'AIA.
-Le second aspect, en lien avec le primer, est d'utiliser les AIA pour contrôler dans un environement boîte noire le niveau d'équitée d'un modèle.
+Le premier aspect consiste à étudier comment les mécanismes d'équité peuvent être utilisé pour mitiger différent types d'AIA.
+Le second aspect, en lien avec le premier, est d'utiliser les AIA pour contrôler dans un environnement boîte noire le niveau d'équité d'un modèle.
 
-\subsection{Contributions}
-Dans ce chapitre nous apportons les contributions suivante :
+\paragraph{Contributions}
+Dans ce chapitre nous apportons les contributions suivantes: :
 \begin{itemize}
-    \item Une définition de l'équitée qui généralise la \textit{demographic parity} à la regression.
-    \item Diverse relations analytique et synthétques entre AIA, \textit{demographic parity} et \textit{equality of odds} qui remplissent les objectifs de:
-    calcul de niveau d'équitée en boîte noire et
-    garanties théoriques sur le niveau de confidentialité des donnée des utilisateurs de modèles.
-    \item La construction de deux nouvelles attaque AIA efficaces quand l'attribut sensible présente un déséquilibre.
-    \item Une étude empirique des relations entre niveau d'équitée, utilisation d'algorithmes imposants l'équitée et succès des attaques AIA.
+    \item Une définition de l'équité qui généralise la parité démogrpahique à la régression.
+    \item Diverse relations analytique et synthétique entre AIA, parité démographique et équité des chances qui remplissent les objectifs de:
+        \begin{itemize}
+            \item calcul de niveau d'équité en boîte noire et
+            \item garanties théoriques sur le niveau de confidentialité des données des utilisateurs de modèles.
+        \end{itemize}
+    \item La construction de deux nouvelles attaques AIA efficaces quand l'attribut sensible présente un déséquilibre.
+    \item Une étude empirique des relations entre niveau d'équité, utilisation d'algorithmes imposants l'équité et succès des attaques AIA.
 \end{itemize}