SEBA：面向视觉强化学习的样本高效黑盒攻击
机器学习
2025-11-14 v1 人工智能
摘要
视觉强化学习在视觉控制和机器人领域取得了显著进展，但其对对抗扰动的脆弱性仍未得到充分探索。大多数现有黑盒攻击 focuses on 基于向量或离散动作的 RL，而其在基于图像的连续控制上的有效性受大型动作空间和过多环境查询的限制。我们提出 SEBA，一个面向视觉 RL 智能体的样本高效黑盒对抗攻击框架。SEBA 集成了一个估算不利条件下累积奖励的影子 Q 模型、一个产生视觉不可察觉扰动的生成对抗网络，以及一个用于减少真实世界查询的世界模型。通过交替学习影子模型和精炼生成器的两阶段迭代训练程序，SEBA 在保持效率的同时实现了强大的攻击性能。在 MuJoCo 和 Atari 基准测试中，实验表明 SEBA 显著降低了累积奖励，保持了视觉保真度，并且大幅减少了环境交互，优于先前的黑盒和白盒方法。
引用
@article{arxiv.2511.09681,
title = {SEBA: Sample-Efficient Black-Box Attacks on Visual Reinforcement Learning},
author = {Tairan Huang and Yulin Jin and Junxu Liu and Qingqing Ye and Haibo Hu},
journal= {arXiv preprint arXiv:2511.09681},
year = {2025}
}