【标题】Deep-attack over the deep reinforcement learning

【作者团队】Yang Li , Quan Pan , Erik Cambria

【发表日期】2022.5.10

【论文链接】https://www.sciencedirect.com/science/article/pii/S0950705122004671#!

【推荐理由】最近的对抗性攻击发展使强化学习更加脆弱，并且存在不同的方法来部署针对它的攻击，其中关键是如何选择正确的攻击时机。一些研究尝试设计一个攻击评估函数，以选择当值大于某个阈值时将被攻击的临界点。这种方法使得在不考虑长期影响的情况下很难找到部署攻击的正确位置。此外，攻击期间缺乏适当的评估指标。为了使攻击更加智能并解决现有问题，本文提出了基于强化学习的攻击框架，同时考虑了有效性和自发隐身性，并且还提出了一个新的指标来评估攻击模型在这两个方面的性能。实验结果表明本文提出模型的有效性和评估指标的优势。此外，本文还验证了模型的可迁移性，以及它在对抗训练下的鲁棒性。


内容中包含的图片若涉及版权问题，请及时与我们联系删除