基于强化学习的深度强化学习策略对抗韧性与鲁棒性基准测试方法
机器学习
2024-09-23 v1 人工智能
密码学与安全
系统与控制
系统与控制
机器学习
摘要
本文研究了深度强化学习（DRL）策略在状态空间中对对抗扰动的韧性与鲁棒性。我们首先提出了一种方法，用于将 DRL 智能体表征学习引起的漏洞与源于 DRL 策略对状态转移分布偏移的敏感性所导致的漏洞解耦。基于该方法，我们提出了两种基于强化学习（RL）的技术，用于对 DRL 策略在状态转移扰动下的对抗韧性与鲁棒性进行定量基准测试。我们通过在 Cartpole 环境中训练的 DQN、A2C 和 PPO2 策略上进行韧性与鲁棒性的实验评估，证明了我们方案的可行性。
引用
@article{arxiv.1906.01110,
title = {RL-Based Method for Benchmarking the Adversarial Resilience and Robustness of Deep Reinforcement Learning Policies},
author = {Vahid Behzadan and William Hsu},
journal= {arXiv preprint arXiv:1906.01110},
year = {2024}
}