【标题】BARReL: Bottleneck Attention for Adversarial Robustness in Vision-Based Reinforcement Learning

【作者团队】Eugene Bykovets, Yannick Metz, Mennatallah El-Assady, Daniel A. Keim, Joachim M. Buhmann

【发表日期】2022.8.22

【论文链接】https://arxiv.org/pdf/2208.10481.pdf

【推荐理由】在计算机视觉的许多领域中，已经探索了对抗性干扰的鲁棒性。这种鲁棒性在基于视觉的强化学习中尤其相关，因为自主智能体的行为在现实世界中可能是安全批评家或有影响力的。其研究了基于视觉的强化学习代理对基于梯度的对抗性攻击的敏感性，并评估了潜在的防御。并观察到，CNN体系结构中包含的瓶颈注意模块（BAM）可以作为潜在的工具来增强对抗性攻击的鲁棒性。进而展示了如何通过将空间激活限制到显著区域来使用学习的注意力图来恢复卷积层的激活。在许多RL环境中，BAM增强的体系结构在推理过程中表现出更强的鲁棒性。最后，本文讨论了未来的研究方向。

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