提出轨迹级强化学习黑盒迁移攻击

Zexin Li 等作者在 arXiv 发表论文，针对深度强化学习（DRL）提出一种轨迹级可迁移对抗攻击方法：通过环境可微模型与温度平滑代理策略，在滚动时域上优化扰动序列，并沿用图像分类迁移攻击的优化器。 作者称，直接移植图像分类的可迁移攻击（FGSM、MI-FGSM、NI-FGSM）虽然能迁移到 DRL，但其攻击强度不超过同等预算的随机噪声，因此转向轨迹级优化。该研究针对的是无法白盒访问受害者策略的黑盒场景。

AI 根据报道生成 · 58 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。