基于对抗引导探索(AGE)的DQN智能体对抗训练分析与改进
机器学习
2019-06-05 v1 人工智能
密码学与安全
机器学习
摘要
本文研究对抗训练在增强深度Q网络(DQN)策略对状态空间扰动的鲁棒性方面的有效性。我们首先对DQN智能体中的对抗训练及其相对于用于训练的对抗扰动与标称观测比例的性能进行形式化分析。接下来，我们考虑当前对抗训练技术的样本低效性，并提出一种基于改进的-贪婪算法与玻尔兹曼探索混合的新型对抗引导探索(AGE)机制。我们通过对该探索机制与传统衰减-贪婪和参数空间噪声探索算法的性能比较实验评估，验证了其可行性。
引用
@article{arxiv.1906.01119,
title = {Analysis and Improvement of Adversarial Training in DQN Agents With Adversarially-Guided Exploration (AGE)},
author = {Vahid Behzadan and William Hsu},
journal= {arXiv preprint arXiv:1906.01119},
year = {2019}
}