論文の概要: Boosting Transferable Adversarial Attacks against Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2610.06083v1
• Date: Mon, 05 Oct 2026 10:14:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.455385
• Title: Boosting Transferable Adversarial Attacks against Deep Reinforcement Learning
• Title（参考訳）: 深層強化学習に対する伝達可能な敵攻撃の促進
• Abstract要約: 深い強化学習に対する敵対的な攻撃の多くは、被害者の政策へのホワイトボックスアクセスを前提としており、実際にはほとんど行われない。 本稿では,DRLに対するトランスファーベースのブラックボックス攻撃について検討する。攻撃者は,ホワイトボックス・サロゲート剤の摂動を観測し,未知の被害者に供給する。
• 参考スコア（独自算出の注目度）: 7.609134886582979
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Most adversarial attacks on deep reinforcement learning (DRL) assume white-box access to the victim policy, which rarely holds in practice. This paper studies transfer-based black-box attacks on DRL: the attacker crafts observation perturbations on a white-box surrogate agent and feeds them to an unknown victim. We formulate the attack as return minimization under a per-step perturbation budget. We first show that transplanting transferable image-classification attacks (FGSM, MI-FGSM, and NI-FGSM) with a per-step objective yields perturbations that transfer but are no stronger than random noise of the same budget. We then propose a trajectory-level attack that optimizes a sequence of perturbations over a receding horizon through a differentiable model of the environment and a temperature-smoothed surrogate policy, with the same optimizers. On CartPole-v1 with ten DQN and DDQN agents and 100 surrogate--victim pairs, the trajectory-level attack outperforms per-step attacks and random noise in the white-box, cross-model, and cross-algorithm settings.
• Abstract（参考訳）: 深層強化学習(DRL)に対する敵対的な攻撃の多くは、被害者の政策へのホワイトボックスアクセスを前提としており、実際には稀である。 本稿では,DRLに対するトランスファーベースのブラックボックス攻撃について検討する。攻撃者は,ホワイトボックス・サロゲート剤の摂動を観測し,未知の被害者に供給する。 我々は、ステップごとの摂動予算の下で、攻撃をリターン最小化として定式化する。 まず,トランスファー可能な画像分類攻撃 (FGSM, MI-FGSM, NI-FGSM) を段階ごとの目的で移植すると, トランスファー可能な摂動が得られるが, 同一予算のランダムノイズほど強くないことを示す。 次に,環境の微分可能なモデルと温度平滑なサロゲートポリシにより,後退地平線上の摂動列を最適化するトラジェクトリレベルアタックを提案する。 10のDQNエージェントとDDQNエージェントと100のサロゲート-ヴィティ対を持つCartPole-v1では、軌道レベルの攻撃は、ホワイトボックス、クロスモデル、クロスアルゴリズム設定におけるステップごとの攻撃とランダムノイズよりも優れる。

関連論文リスト

• Learning to Attack: A Bandit Approach to Adversarial Context Poisoning [5.82233544807519]
  我々は、連続武器の盗聴問題としてコンテキスト中毒を定式化するブラックボックス適応攻撃であるAdvBanditを紹介する。 攻撃者は被害者の内部パラメータ、報酬関数、勾配情報へのアクセスを必要としない。 攻撃回数において,サブリニア攻撃者の後悔と被害者の後悔に対する限界を低く抑えることを含む理論的保証を提供する。
  論文  参考訳（メタデータ） (2026-02-28T09:34:06Z)
• Adversarial Attacks on LiDAR-Based Tracking Across Road Users: Robustness Evaluation and Target-Aware Black-Box Method [6.6391733681417415]
  本稿では,3次元物体追跡の文脈において,敵攻撃を行うための統一的なフレームワークを提案する。 ブラックボックス攻撃のシナリオに対処するために,新たなトランスファーベースアプローチであるTarget-aware Perturbation Generation (TAPG)アルゴリズムを導入する。 実験の結果,ブラックボックスとホワイトボックスの両方の攻撃を受けた場合,高度な追跡手法に重大な脆弱性があることが判明した。
  論文  参考訳（メタデータ） (2024-10-28T10:20:38Z)
• Advancing Generalized Transfer Attack with Initialization Derived Bilevel Optimization and Dynamic Sequence Truncation [49.480978190805125]
  転送攻撃はブラックボックスアプリケーションに大きな関心を惹きつける。 既存の作業は、本質的に単一のレベルの目的 w.r.t. シュロゲートモデルを直接最適化する。 本稿では,上位レベル(UL)と下位レベル(LL)のサロゲート攻撃とのネスト関係を明示的に再構築する2レベル最適化手法を提案する。
  論文  参考訳（メタデータ） (2024-06-04T07:45:27Z)
• Multi-granular Adversarial Attacks against Black-box Neural Ranking Models [111.58315434849047]
  多粒性摂動を取り入れた高品質な逆数例を作成する。 我々は,多粒体攻撃を逐次的意思決定プロセスに変換する。 本手法は,攻撃の有効性と非受容性の両方において,一般的なベースラインを超えている。
  論文  参考訳（メタデータ） (2024-04-02T02:08:29Z)
• Transferable Attack for Semantic Segmentation [59.17710830038692]
  敵が攻撃し、ソースモデルから生成された敵の例がターゲットモデルを攻撃するのに失敗するのを観察します。 本研究では, セマンティックセグメンテーションのためのアンサンブルアタックを提案する。
  論文  参考訳（メタデータ） (2023-07-31T11:05:55Z)
• Guidance Through Surrogate: Towards a Generic Diagnostic Attack [101.36906370355435]
  我々は、攻撃最適化中に局所最小限を避けるための誘導機構を開発し、G-PGAと呼ばれる新たな攻撃に繋がる。 修正された攻撃では、ランダムに再起動したり、多数の攻撃を繰り返したり、最適なステップサイズを検索したりする必要がありません。 効果的な攻撃以上に、G-PGAは敵防御における勾配マスキングによる解離性堅牢性を明らかにするための診断ツールとして用いられる。
  論文  参考訳（メタデータ） (2022-12-30T18:45:23Z)
• Boosting Black-Box Attack with Partially Transferred Conditional Adversarial Distribution [83.02632136860976]
  深層ニューラルネットワーク(DNN)に対するブラックボックス攻撃の研究 我々は, 代理バイアスに対して頑健な, 対向移動可能性の新たなメカニズムを開発する。 ベンチマークデータセットの実験と実世界のAPIに対する攻撃は、提案手法の優れた攻撃性能を示す。
  論文  参考訳（メタデータ） (2020-06-15T16:45:27Z)

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。