基于连续动作空间的多主体强化学习中对抗攻击的分布式检测
机器学习
2025-12-16 v1 多智能体系统
摘要
我们解决针对具有连续动作空间的合作多主体强化学习对抗攻击的检测问题。我们提出一种去中心化检测器，仅依赖于主体的局部观测，并利用对可观测主体正常行为的统计特征化。该检测器利用深度神经网络将主体的正常行为近似为参数化的多变量高斯分布。基于预测的密度函数，我们定义正规性得分并给出其均值和方差的表征。这种表征使我们能够采用双侧CUSUM程序检测正规性得分偏离其均值的偏差，用作实时检测异常行为的检测器。我们在各种多主体PettingZoo基准测试中对该方案进行评估，针对不同 state-of-the-art 攻击方法，结果显示我们方法在检测有影响力的对抗攻击方面的有效性。特别地，在所有评估环境中，我们的方法相较于离散对手实现了超过0.95的AUC-ROC得分。
引用
@article{arxiv.2508.15764,
title = {Distributed Detection of Adversarial Attacks in Multi-Agent Reinforcement Learning with Continuous Action Space},
author = {Kiarash Kazari and Ezzeldin Shereen and György Dán},
journal= {arXiv preprint arXiv:2508.15764},
year = {2025}
}
备注
Accepted for publication at ECAI 2025