图上分散式对抗训练

近年来，机器学习模型对对抗攻击的脆弱性引起了相当多的关注。现有研究大多关注独立单智能体学习器的行为。相比之下，本工作研究图上的对抗训练，其中个体智能体在空间上受到不同强度级别的扰动。预期通过相连智能体的交互，以及图上可能的攻击模型的异质性，可借助群体的协调能力来增强鲁棒性。利用分布式学习的极小极大公式，我们为多智能体系统开发了分散式对抗训练框架。具体而言，我们基于两种流行的分散式学习策略——扩散与共识，设计了两种分散式对抗训练算法。我们分析了所提框架在强凸、凸和非凸环境下的收敛性质，并展示了其对对抗攻击增强的鲁棒性。