論文の概要: Mixed Strategies for Security Games with General Defending Requirements

• arxiv url: http://arxiv.org/abs/2204.12158v1
• Date: Tue, 26 Apr 2022 08:56:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-27 13:52:41.305344
• Title: Mixed Strategies for Security Games with General Defending Requirements
• Title（参考訳）: 一般的な防御要件を持つセキュリティゲームのための混合戦略
• Authors: Rufan Bai, Haoxing Lin, Xinyu Yang, Xiaowei Wu, Minming Li, Weijia Jia
• Abstract要約: Stackelbergのセキュリティゲームはディフェンダーとアタッカーの間で行われ、ディフェンダーは複数のターゲットに限られたリソースを割り当てる必要がある。 そこで本研究では,ごく少数の戦略のみを用いる混合戦略を計算し,効率的な近似パチングアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 37.02840909260615
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The Stackelberg security game is played between a defender and an attacker, where the defender needs to allocate a limited amount of resources to multiple targets in order to minimize the loss due to adversarial attack by the attacker. While allowing targets to have different values, classic settings often assume uniform requirements to defend the targets. This enables existing results that study mixed strategies (randomized allocation algorithms) to adopt a compact representation of the mixed strategies. In this work, we initiate the study of mixed strategies for the security games in which the targets can have different defending requirements. In contrast to the case of uniform defending requirement, for which an optimal mixed strategy can be computed efficiently, we show that computing the optimal mixed strategy is NP-hard for the general defending requirements setting. However, we show that strong upper and lower bounds for the optimal mixed strategy defending result can be derived. We propose an efficient close-to-optimal Patching algorithm that computes mixed strategies that use only few pure strategies. We also study the setting when the game is played on a network and resource sharing is enabled between neighboring targets. Our experimental results demonstrate the effectiveness of our algorithm in several large real-world datasets.
• Abstract（参考訳）: stackelberg security gameはディフェンダーとアタッカーの間で行われ、ディフェンダーは攻撃者による敵の攻撃による損失を最小限に抑えるために、限られた量のリソースを複数のターゲットに割り当てる必要がある。 目標が異なる値を持つことを許容する一方で、古典的な設定はしばしば目標を守るための統一的な要件を仮定する。 これにより、混合戦略(ランダム割当アルゴリズム)を研究する既存の結果が、混合戦略のコンパクトな表現を採用することができる。 本研究では,対象が異なる防御要件を持つことのできるセキュリティゲームに対する混合戦略の研究を開始する。 最適混合戦略を効率的に計算できる一様防御要求の場合とは対照的に, 汎用防衛要求設定では, 最適混合戦略の計算がNPハードであることが示されている。 しかし, 最適混合戦略防衛結果に対して, 強い上下境界を導出できることが示唆された。 純粋戦略をほとんど用いていない混合戦略を計算する効率的な近対最適パッチングアルゴリズムを提案する。 また,ゲームがネットワーク上でプレイされ,近隣のターゲット間で資源共有が可能となる際の設定についても検討する。 実験結果は,いくつかの大規模実世界データセットにおけるアルゴリズムの有効性を示す。

関連論文リスト

• Unbalanced Optimal Transport: A Unified Framework for Object Detection [97.74382560746987]
  不均衡最適輸送がオブジェクト検出に対する異なるアプローチをどのように統合するかを示す。 非平衡最適輸送を用いた物体検出モデルの訓練が最先端に到達可能であることを示す。 このアプローチはGPUの実装に適しており、大規模なモデルに有利であることが証明されている。
  論文  参考訳（メタデータ） (2023-07-05T16:21:52Z)
• Towards Optimal Randomized Strategies in Adversarial Example Game [13.287949447721115]
  敵対的なサンプル攻撃に対するディープニューラルネットワークモデルの脆弱性は、多くの人工知能アプリケーションにおいて実践的な課題である。 確率分布空間上の新しい無限次元連続時間フローを用いて問題をモデル化するFRATと呼ばれるアルゴリズムを提案する。 我々は、FRATの連続時間制限がディフェンダーとアタッカーによって形成されたゼロサムゲームにおいて混合ナッシュ平衡に収束することを証明する。
  論文  参考訳（メタデータ） (2023-06-29T07:29:23Z)
• Sampling-based Reactive Synthesis for Nondeterministic Hybrid Systems [20.0212772540119]
  本稿では,非決定論的ハイブリッドシステムのためのサンプリング型戦略合成アルゴリズムを提案する。 我々は,ハイブリッドシステムの進化を,非決定主義が敵対的プレイヤーである2人プレイヤゲームとしてモデル化する。 目的は、敵プレイヤーのあらゆる可能な動きの下でゴールの満足度を保証する、勝利戦略 - 反応性(ロバスト)戦略を合成することである。
  論文  参考訳（メタデータ） (2023-04-14T00:45:16Z)
• Learning Near-Optimal Intrusion Responses Against Dynamic Attackers [0.0]
  自動侵入応答について検討し,攻撃者とディフェンダーとの相互作用を最適な停止ゲームとして定式化する。 準最適ディフェンダー戦略を得るために,近似を用いてナッシュリリアを学習する架空のセルフプレイアルゴリズムを開発した。 このアプローチは、実用的なITインフラストラクチャのための効果的なディフェンダー戦略を生み出すことができる、と私たちは主張する。
  論文  参考訳（メタデータ） (2023-01-11T16:36:24Z)
• Learning Security Strategies through Game Play and Optimal Stopping [0.0]
  強化学習を用いた自動侵入防止について検討した。 我々は攻撃者とディフェンダーとの相互作用を最適な停止ゲームとして定式化する。 最適なディフェンダー戦略を得るために,架空の自己再生アルゴリズムであるT-FPを導入する。
  論文  参考訳（メタデータ） (2022-05-29T15:30:00Z)
• LAS-AT: Adversarial Training with Learnable Attack Strategy [82.88724890186094]
  LAS-ATと呼ばれる「学習可能な攻撃戦略」は、モデル堅牢性を改善するための攻撃戦略を自動生成することを学ぶ。 当社のフレームワークは,強靭性向上のためのトレーニングにAEを使用するターゲットネットワークと,AE生成を制御するための攻撃戦略を生成する戦略ネットワークで構成されている。
  論文  参考訳（メタデータ） (2022-03-13T10:21:26Z)
• Projective Ranking-based GNN Evasion Attacks [52.85890533994233]
  グラフニューラルネットワーク(GNN)は、グラフ関連のタスクに対して、有望な学習方法を提供する。 GNNは敵の攻撃の危険にさらされている。
  論文  参考訳（メタデータ） (2022-02-25T21:52:09Z)
• Provably Efficient Algorithms for Multi-Objective Competitive RL [54.22598924633369]
  エージェントの報酬がベクトルとして表現される多目的強化学習(RL)について検討する。 エージェントが相手と競合する設定では、その平均戻りベクトルから目標セットまでの距離によってその性能を測定する。 統計的および計算学的に効率的なアルゴリズムを開発し、関連するターゲットセットにアプローチする。
  論文  参考訳（メタデータ） (2021-02-05T14:26:00Z)
• On the Impossibility of Convergence of Mixed Strategies with No Regret Learning [10.515544361834241]
  最適無後悔学習戦略の一般クラスから得られる混合戦略の収束特性について検討する。 各ステップに設定された情報を相手の実演の実証平均とする戦略のクラスを考察する。
  論文  参考訳（メタデータ） (2020-12-03T18:02:40Z)
• Efficient exploration of zero-sum stochastic games [83.28949556413717]
  ゲームプレイを通じて,ゲームの記述を明示せず,託宣のみにアクセス可能な,重要で一般的なゲーム解決環境について検討する。 限られたデュレーション学習フェーズにおいて、アルゴリズムは両方のプレイヤーのアクションを制御し、ゲームを学習し、それをうまくプレイする方法を学習する。 私たちのモチベーションは、クエリされた戦略プロファイルの支払いを評価するのにコストがかかる状況において、利用可能性の低い戦略を迅速に学習することにあります。
  論文  参考訳（メタデータ） (2020-02-24T20:30:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。