基于空间离散化进化搜索可证明地扩展多目标安全博弈
机器学习
2023-06-06 v2 计算机科学与博弈论
神经与进化计算
摘要
在安全领域，多目标安全博弈（MOSGs）使防御者能够同时保护目标免受多个异构攻击者侵害。MOSGs 旨在同时最大化所有异构收益（如生命、金钱与犯罪率），而不合并异构攻击者。在真实场景中，待保护的异构攻击者与目标数量可能超出大多数现有最优方法的承受能力，即 MOSGs 受限于可扩展性问题。为此，本文提出一种基于多目标进化搜索的通用框架 SDES，将 MOSGs 扩展至大规模目标与异构攻击者。SDES 由离散化、优化、评估与精炼四个连续关键组件构成。具体而言，SDES 首先借助博弈论中的最大无差异性质，将原本高维连续解空间离散化为低维离散空间。该性质帮助进化算法（EAs）绕过高维阶跃函数并确保良好收敛的帕累托前沿。随后，在低维离散解空间中使用多目标 EA 进行优化以获得分布均匀的帕累托前沿。为评估解，SDES 通过贪心优化一种新颖的散度度量将解还原至原始空间。最后，SDES 中的精炼以可接受代价提升优化性能。理论上，我们证明了 SDES 的优化一致性与收敛性。实验结果表明，SDES 是首个面向大规模攻击者与目标均具线性时间复杂度的 MOSG 算法。SDES 能够求解至多 20 个攻击者与 100 个目标的 MOSG 问题，而当前最优（SOTA）方法仅能求解至多 8 个攻击者与 25 个目标的问题。消融研究验证了 SDES 中所有组件的必要性。
引用
@article{arxiv.2303.15821,
title = {Scaling Multi-Objective Security Games Provably via Space Discretization Based Evolutionary Search},
author = {Yu-Peng Wu and Hong Qian and Rong-Jun Qin and Yi Chen and Aimin Zhou},
journal= {arXiv preprint arXiv:2303.15821},
year = {2023}
}