我的学习型策略多么脆弱？现代行为克隆策略的通用对抗扰动攻击
机器学习
2026-04-27 v4 密码学与安全
机器人学
摘要
从演示中学习是训练人工智能模型的流行方法，但其对对抗攻击的脆弱性尚未得到充分探讨。我们提出首个系统性研究，对抗攻击覆盖广泛的经典方法和近期提出的方法，包括 Vanilla 行为克隆（Vanilla BC）、LSTM-GMM、隐式行为克隆（IBC）、扩散策略（DP）和向量量化行为转换器（VQ-BET）。我们研究了这些方法针对白盒、灰盒和黑盒对抗扰动的脆弱性。我们的实验结果表明，大多数现有方法对这些攻击极其脆弱，包括可跨算法迁移的黑盒攻击。据我们所知，我们是首次系统性地研究和比较不同流行行为克隆算法对白盒和黑盒攻击的脆弱性。我们的发现凸显了现代行为克隆算法的脆弱性，为未来解决此类局限性提供了方向。视频和代码已公开于 https://sites.google.com/view/uap-attacks-on-bc。
引用
@article{arxiv.2502.03698,
title = {How Vulnerable Is My Learned Policy? Universal Adversarial Perturbation Attacks On Modern Behavior Cloning Policies},
author = {Akansha Kalra and Basavasagar Patil and Guanhong Tao and Daniel S. Brown},
journal= {arXiv preprint arXiv:2502.03698},
year = {2026}
}