提出轨迹级黑盒对抗攻击方法

针对深度强化学习（DRL）的对抗攻击此前多依赖白盒访问，Zexin Li 等作者转而研究基于迁移的黑盒攻击，把攻击建模为每步扰动预算下的回报最小化。 作者发现，直接把 FGSM、MI-FGSM、NI-FGSM 等图像分类攻击移植过来，扰动虽有迁移性，但不强于同预算的随机噪声。为此他们提出轨迹级攻击：借助可微环境模型和温度平滑代理策略，在滚动时域上优化扰动序列，并使用与前述方法相同的优化器。 该结论来自作者在论文中的表述，尚属方法层面的提出，报道未给出其实际攻击效果。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。