arXiv cs.LG· Zexin Li, Ruili Yao, Yiming Zeng, Xiaoxue Gao·· 6 小时前AI 评分22
提升针对深度强化学习的可迁移对抗攻击
Boosting Transferable Adversarial Attacks against Deep Reinforcement Learning
AI 导读
针对深度强化学习（DRL）的对抗攻击多假设白盒访问，该论文研究基于迁移的黑盒攻击，将攻击建模为每步扰动预算下的回报最小化。作者发现直接移植 FGSM、MI-FGSM、NI-FGSM 等图像分类攻击，其扰动迁移性虽在但不强于同预算随机噪声，随后提出轨迹级攻击，通过可微环境模型与温度平滑代理策略在滚动时域上优化扰动序列。
来源：arXiv cs.LG · arxiv.org