Fusion des corrections d'Emeline sur aia et fini

1 files changed, 11 insertions, 11 deletions

diff --git a/aia/resultats.tex b/aia/resultats.tex
index 3791ca8..f88dc1f 100644
--- a/aia/resultats.tex
+++ b/aia/resultats.tex
@@ -35,7 +35,7 @@
         \caption{Lfw (sex)}
     \end{subfigure}
 
-    \caption{Impacte de la réduction pour une classification équitable sur le succès de \AIAHard.
+    \caption{Impact de la réduction pour une classification équitable sur le succès de \AIAHard.
     \\\textit{Baseline} = sans réduction.
     \\\textit{Theoretical} = $\frac{1}{2}(1+DemParLvl)$ avec réduction.
     \\\textit{Empirical} = avec réduction.
@@ -81,7 +81,7 @@
         \caption{Lfw (sex)}
     \end{subfigure}
 
-    \caption{Impacte du rééquilibrage adverse sur le succès de \AIASoft. 
+    \caption{Impact du rééquilibrage adverse sur le succès de \AIASoft. 
     \\\textit{baseline} = sans rééquilibrage adverse.
     \\\textit{AdvDebias} = avec rééquilibrage adverse.}
    \label{fig:aiadeb}
@@ -120,7 +120,7 @@
         \includegraphics[width=\linewidth]{ACSAC/figures/advdebias/lfw/lfw_advdeb_attack_hard_sex.pdf}
         \caption{Lfw (sex)}
     \end{subfigure}
-    \caption{Impacte du rééquilibrage adverse sur le succès de \AIAHard.
+    \caption{Impact du rééquilibrage adverse sur le succès de \AIAHard.
     \\\textit{baseline} = succès de l'attaque sans rééquilibrage adverse.
     \\\textit{Empirical} = succès de l'attaque avec rééquilibrage adverse.
     \\\textit{Theoretical} = $\frac{1}{2}(1+DemParLvl)$ avec rééquilibrage adverse}
@@ -150,7 +150,7 @@
         \caption{LFW}
         \label{fig:utilityegd-lfw}
     \end{subfigure}
-    \caption{Impacte de l'utilisation de la réduction pour une classification équitable sur l'utilité.
+    \caption{Impact de l'utilisation de la réduction pour une classification équitable sur l'utilité.
     \\\textit{Baseline} = sans réduction.
     \\\textit{EGD+DemPar} = avec réduction.
     }
@@ -181,18 +181,18 @@
         \caption{LFW}
         \label{fig:utilityadv-lfw}
     \end{subfigure}
-    \caption{Impacte de l'utilisation du rééquilibrage adverse sur l'utilisé.
+    \caption{Impact de l'utilisation du rééquilibrage adverse sur l'utilité.
     \\\textit{baseline} = sans rééquilibrage adverse.
     \\\textit{AdvDebias} = avec rééquilibrage adverse.
     }
     \label{fig:utilityadv}
 \end{figure}
-Nous observons sur les Figures~\ref{fig:aiaegd},~\ref{fig:aia-adv-hard} et~\ref{fig:aiadeb} que les méthodes pour imposer l'équité ont bien réduit les succès des attaques que ce soit en classification ou en régression.
+Nous observons sur les Figures~\ref{fig:aiaegd},~\ref{fig:aia-adv-hard} et~\ref{fig:aiadeb} que les méthodes pour imposer l'équité ont bien réduit les succès des attaques, que ce soit en classification ou en régression.
 De plus, nous voyons sur les Figures~\ref{fig:aiaegd} et~\ref{fig:aia-adv-hard} que le succès maximal de l'attaque vaut bien $\frac{1}{2}(1+DemParLvl)$ comme nous l'avons montré à la Propriété~\ref{prop:aia-demparlvl}.
-Enfin, nous mettons en perspective ce résultat avec la dégradation d'utilité qu'entraîne l'utilisation des ces méthodes sur les Figures~\ref{fig:utilityegd} et~\ref{fig:utilityadv}.
-Les deux méthodes semblent protéger de manière similaire les attributs sensibles pour \AIAHard~cependant la méthode de adverse est la seul pouvant mitiger \AIASoft.
-En contrepartie la réduction pour une classification équitable semble moins dégrader l'utilité comme nous pouvons le vois en comparant les Figures~\ref{fig:utilityegd-lfw} et~\ref{fig:utilityadv-lfw}.
+Enfin, nous mettons en perspective ce résultat avec la dégradation d'utilité qu'entraîne l'utilisation de ces méthodes sur les Figures~\ref{fig:utilityegd} et~\ref{fig:utilityadv}.
+Les deux méthodes semblent protéger de manière similaire les attributs sensibles pour \AIAHard~cependant, la méthode adverse est la seule pouvant mitiger \AIASoft.
+En contrepartie, la réduction pour une classification équitable semble moins dégrader l'utilité comme nous pouvons le voir en comparant les Figures~\ref{fig:utilityegd-lfw} et~\ref{fig:utilityadv-lfw}.
 
-En conclusion, nous recommandons d'utiliser le rééquilibrage adverse quand il y a un risque que le logit soit partagé ou quand le tâche principale est une régression.
-Si ce n'est pas le cas, par exemple si le modèle est utilisé localement et que uniquement la prédiction est partagé, nous recommandons d'utiliser la réduction pour une classification équitable.
+En conclusion, nous recommandons d'utiliser le rééquilibrage adverse quand il y a un risque que le logit soit partagé ou quand la tâche principale est une régression.
+Si ce n'est pas le cas, par exemple si le modèle est utilisé localement et que seule la prédiction est partagée, nous recommandons d'utiliser la réduction pour une classification équitable.
 \FloatBarrier