論文の概要: Probabilistic Robustness-driven Universal Adversarial Perturbations with Explainability against Deep Reinforcement Learning-based Intrusion Detection System
- arxiv url: http://arxiv.org/abs/2609.30605v1
- Date: Thu, 24 Sep 2026 22:38:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.153388
- Title: Probabilistic Robustness-driven Universal Adversarial Perturbations with Explainability against Deep Reinforcement Learning-based Intrusion Detection System
- Title（参考訳）: 深部強化学習に基づく侵入検知システムに対する説明可能性を考慮した確率的ロバスト性駆動型普遍的対向摂動
- Abstract要約: 確率ロバストネス(英: Probabilistic Robustness, PR)は、確率的ロバストネス(英: Probabilistic Robustness, PR)の一種。
PRは入力空間における誤分類の頻度を定量化し、UAP生成を導く自然な信号となる。
DRL ベースの IDS に対する UAP 生成への明示的な PR 駆動目標の最初の統合を示す PR ベースの UAP を提案する。
PX-UAPは攻撃効率において最先端のUAP手法より一貫して優れている。
- 参考スコア（独自算出の注目度）: 19.83662420099284
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Deep reinforcement learning (DRL) enables adaptive intrusion detection in dynamic network environments but also exposes intrusion detection systems (IDS) to adversarial threats such as universal adversarial perturbations (UAPs), which apply a single input-agnostic perturbation to degrade detection performance across traffic. Probabilistic Robustness (PR), as a post-hoc evaluation metric, provides a principled, population-level measure of adversarial impact that conceptually aligns with the universality objective of UAPs, i.e., PR quantifies the prevalence of misclassification in the input space, making it a natural signal for guiding UAP generation. Hence, we propose PR-based UAP, which represents the first integration of an explicit PR-driven objective into generating UAPs against DRL-based IDS. Building on this formulation, we introduce PX-UAP, which leverages explainable artificial intelligence (XAI) to guide perturbation shaping under realistic domain constraints, and provides a rigorous theoretical analysis of its design. Extensive experiments demonstrate that PX-UAP consistently outperforms state-of-the-art UAP methods in attack effectiveness.
- Abstract（参考訳）: 深部強化学習(DRL)は、動的ネットワーク環境において適応的な侵入検知を可能にすると同時に、ユニバーサル・逆境摂動(UAP)のような敵の脅威に対して侵入検知システム(IDS)を公開する。
確率ロバスト性(PR:probabilistic Robustness)は、ポストホック評価の指標として、UAPの普遍性目的、すなわち入力空間における誤分類の頻度を定量化し、UAP生成を導くための自然な信号である、という概念的な対人的影響の原則的、集団レベルの尺度を提供する。
そこで我々は, DRL をベースとした IDS に対する UAP 生成に明示的な PR 駆動目標を初めて統合した PR ベースの UAP を提案する。
この定式化に基づくPX-UAPは、説明可能な人工知能(XAI)を活用して、現実的な領域制約下での摂動形状をガイドし、その設計に関する厳密な理論的分析を提供する。
大規模な実験により、PX-UAPは攻撃効率において最先端のUAP手法より一貫して優れていることが示された。
関連論文リスト
- IADD-TR: Intervention-Aware Dynamics Decoupling with Targeted Regularization for Model-Based Reinforcement Learning [57.16513298507272]
IADD-TRは、IADD(Intervention-Aware Dynamics Decoupling)とTR(Targeted Regularization)を組み合わせた統合フレームワークである。
IADDは、ゼロアクションアンカーを用いて、アクション干渉段階とアクションフリー自然進化段階への遷移を分解し、堅牢な一般化のためにこの2段階の分解の非特異性を解決する。
政策学習においては,リプレイ状態の政策段階関数の効率的な影響関数からTRを導出する。
論文 参考訳（メタデータ） (2026-08-11T08:20:02Z) - A Novel and Practical Universal Adversarial Perturbations against Deep Reinforcement Learning based Intrusion Detection Systems [1.2268699896617543]
侵入検知システム(IDS)は、より高度なサイバー脅威から現代のサイバー物理システムを守る上で重要な役割を担っている。
最近の研究は、UAP(Universal Adversarial Perturbations)を含む敵攻撃に対する脆弱性を明らかにしている
本稿では,ネットワークデータルールと特徴関係から派生したドメイン固有の制約の下で,深層強化学習(DRL)に基づく新たなUAP攻撃を提案する。
論文 参考訳（メタデータ） (2025-11-22T23:52:01Z) - Measure-Theoretic Anti-Causal Representation Learning [29.12751904333385]
反因果設定(ラベルは逆ではなく特徴を引き起こす)における因果表現学習は、固有の課題を提示する。
本稿では,反因果表現学習のための新しい測度理論フレームワークである反因果不変抽象化(ACIA)を提案する。
ACIAは2段階の設計を採用し、低レベルの表現はラベルがどのように観測を生成しているかを捉え、高レベルの表現は環境固有のバリエーションを越えて安定した因果パターンを学習する。
論文 参考訳（メタデータ） (2025-10-16T22:13:05Z) - Transferable Adversarial Attacks on SAM and Its Downstream Models [87.23908485521439]
本稿では,セグメント・アプライス・モデル(SAM)から微調整した様々な下流モデルに対する敵攻撃の可能性について検討する。
未知のデータセットを微調整したモデルに対する敵攻撃の有効性を高めるために,ユニバーサルメタ初期化(UMI)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-26T15:04:04Z) - The Pitfalls and Promise of Conformal Inference Under Adversarial Attacks [90.52808174102157]
医療画像や自律運転などの安全クリティカルな応用においては、高い敵の堅牢性を維持し、潜在的敵の攻撃から保護することが不可欠である。
敵対的に訓練されたモデルに固有の不確実性に関して、注目すべき知識ギャップが残っている。
本研究では,共形予測(CP)の性能を標準対向攻撃の文脈で検証することにより,ディープラーニングモデルの不確実性について検討する。
論文 参考訳（メタデータ） (2024-05-14T18:05:19Z) - Towards Understanding the Robustness of Diffusion-Based Purification: A Stochastic Perspective [65.10019978876863]
拡散性浄化(DBP)は、敵の攻撃に対する効果的な防御機構として出現している。
本稿では,DBPプロセスの本質性がロバスト性を駆動する主要な要因であることを示す。
論文 参考訳（メタデータ） (2024-04-22T16:10:38Z) - Universal Adversarial Defense in Remote Sensing Based on Pre-trained Denoising Diffusion Models [17.283914361697818]
深部ニューラルネットワーク(DNN)は、地球観測のための多数のAIアプリケーション(AI4EO)において重要なソリューションとして注目されている。
本稿では、リモートセンシング画像(UAD-RS)における新しいユニバーサル・ディフェンス・アプローチを提案する。
論文 参考訳（メタデータ） (2023-07-31T17:21:23Z) - Taming Self-Supervised Learning for Presentation Attack Detection:
De-Folding and De-Mixing [42.733666815035534]
各種提示攻撃装置(PAI)を用いた提示攻撃に対して生体認証システムは脆弱である
DF-DMと呼ばれる自己教師型学習手法を提案する。
DF-DMは、PDDのタスク固有の表現を導出するために、De-FoldingとDe-Mixingと結合したグローバルローカルビューに基づいている。
論文 参考訳（メタデータ） (2021-09-09T08:38:17Z) - Policy Smoothing for Provably Robust Reinforcement Learning [109.90239627115336]
入力のノルム有界対向摂動に対する強化学習の証明可能な堅牢性について検討する。
我々は、スムーズなポリシーによって得られる全報酬が、入力の摂動のノルムバウンドな逆数の下で一定の閾値以下に収まらないことを保証した証明書を生成する。
論文 参考訳（メタデータ） (2021-06-21T21:42:08Z)
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。