虚假数据注入检测的持续对抗强化学习 (CARL)：遗忘与可解释性
机器学习
2024-11-18 v1 人工智能
摘要
针对智能逆变器的虚假数据注入攻击 (FDIA) 是一个与可再生能源产出增加相关的日益严重的问题。虽然基于数据的 FDIA 检测方法也在积极开发中，但我们表明它们仍然容易受到利用强化学习 (RL) 构建的有影响力且隐蔽的对抗样本的攻击。我们提出通过持续对抗强化学习 (CARL) 方法将此类对抗样本纳入基于数据的检测训练过程。这样可以精确定位基于数据的检测缺陷，从而在其增量改进过程中提供可解释性。我们表明持续学习实现会遭受灾难性遗忘，并额外证明可以通过在所有生成的 FDIA 场景上采用联合训练策略来解决遗忘问题。
引用
@article{arxiv.2411.10367,
title = {Continual Adversarial Reinforcement Learning (CARL) of False Data Injection detection: forgetting and explainability},
author = {Pooja Aslami and Kejun Chen and Timothy M. Hansen and Malik Hassanaly},
journal= {arXiv preprint arXiv:2411.10367},
year = {2024}
}