将 Boids 网络化可更强健地抵御对抗性学习
神经与进化计算
2018-03-01 v1 机器学习
摘要
使用类 Boids 模型的群体行为研究主要依赖近距离空间感知信息（如视觉范围）。本研究中，我们提出一种新方法，将以感知和欧几里得空间局部性为基础的 Boids 邻域经典定义，替换为模拟通信与社交网络的图论网络邻近性。我们证明将 Boids 网络化可带来更快的群集速度与更高质量的队形。我们进一步研究对抗性学习的影响，即观察者试图通过观测群体行为来逆向工程其动力学。结果表明，相较于局部邻近邻域结构，网络化群体展现出更稳健的抵御对抗性学习的方法。
引用
@article{arxiv.1802.10206,
title = {Networking the Boids is More Robust Against Adversarial Learning},
author = {Jiangjun Tang and George Leu and Hussein Abbass},
journal= {arXiv preprint arXiv:1802.10206},
year = {2018}
}