基于梯度带的对抗训练实现 A3C 路径规划的广义攻击免疫
机器学习
2018-07-19 v1 密码学与安全
机器学习
摘要
由于对抗攻击对实际中 AI 系统的安全构成严重威胁，此类攻击已在计算机视觉应用背景下被广泛研究。然而，针对自动路径规划的对抗研究鲜受关注。本文中，我们展示主导对抗样本在针对 A3C 路径规划时有效，并设计一种通用主导对抗样本生成方法（CDG）来针对任意给定地图生成主导对抗样本。此外，我们提出基于梯度带的对抗训练，其以单个随机选取的主导对抗样本不经任何修改进行训练，以实现对广义主导对抗样本的“1:N”攻击免疫。大量实验结果表明，CDG 算法的最低生成精度为 91.91%，基于梯度带的对抗训练的最低免疫精度为 93.89%，可证明我们的方法能以高置信度实现 A3C 路径规划的广义攻击免疫。
引用
@article{arxiv.1807.06752,
title = {Gradient Band-based Adversarial Training for Generalized Attack Immunity of A3C Path Finding},
author = {Tong Chen and Wenjia Niu and Yingxiao Xiang and Xiaoxuan Bai and Jiqiang Liu and Zhen Han and Gang Li},
journal= {arXiv preprint arXiv:1807.06752},
year = {2018}
}
备注
25 pages 14 figures