論文の概要: A Minimally Informed Black-Box Fake-Report Attack on DRL Traffic-Signal Control

• arxiv url: http://arxiv.org/abs/2610.38557v1
• Date: Wed, 28 Oct 2026 09:53:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 10:12:05.734183
• Title: A Minimally Informed Black-Box Fake-Report Attack on DRL Traffic-Signal Control
• Title（参考訳）: DRL信号制御における最小インフォームブラックボックスフェイクレポート攻撃
• Abstract要約: 交通信号制御装置はV2Iレポートを使用して、認識層を偽データ注入に晒すことができる。 我々は、RLモデルにアクセスできず、また交通観測を自身のアプローチに限定した、より弱く現実的な敵の影響について検討する。 この制限された攻撃者は、状態と行動空間全体を観察できる攻撃者と比較して精度が低下しているにもかかわらず、他のアプローチに対する平均待ち時間を著しく増加させることができることを示した。
• 参考スコア（独自算出の注目度）: 2.274897400637893
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep reinforcement learning (DRL) traffic-signal controllers may use vehicle-to-infrastructure (V2I) reports, exposing their perception layer to false-data injection. Existing demonstrations typically assume either white-box access to the controller's weights or full observability of the traffic state. We study the impact of a weaker and more realistic adversary who has no access to the RL model and whose traffic observations are limited to her own approach. This black-box, minimally informed attacker trains an imitation surrogate of the controller. She then crafts bounded fake reports, restricted to inflating vehicle counts on her own approach, that transfer to the real controller. We demonstrate that despite the loss of accuracy relative to an attacker who can observe the entire state and action space, this limited attacker can significantly increase the average waiting time for other approaches while barely changing the waiting time on her own approach, i.e. externalizing the added delay onto the other approaches. Because the only realizable move is to inflate one's own reported queue, we find that a zero-knowledge attacker that simply reports the maximum feasible queue is as damaging as the surrogate-based one, while an unstructured random inflation is not: the surrogate is not required to reproduce the degradation, and the exposed vulnerability is the V2I sensing channel itself. The surrogate's role is directional control, selecting a disruptive or a selfish objective at the same budget. The attack persists under +/-20% uniform demand variation. Finally, on a common per-lane budget we place the attacker on a knowledge ladder against white-box adversaries, and find the black-box surrogate matches a realizable white-box attacker that uses the victim's own gradients; only abandoning realizability raises the damage further.
• Abstract（参考訳）: 深部強化学習(DRL) 交通信号制御装置は車内構造(V2I)レポートを使用し、その認識層を偽データ注入に露出させる。 既存のデモは通常、コントローラの重みへのホワイトボックスアクセスまたはトラフィック状態の完全な可観測性を仮定する。 我々は、RLモデルにアクセスできず、また交通観測を自身のアプローチに限定した、より弱く現実的な敵の影響について検討する。 このブラックボックスは、最小限に通知された攻撃者がコントローラーの模倣代理を訓練する。 次に彼女は、本物のコントローラーに転送する、自身のアプローチで車両の数を膨らませることに制限された、偽の報告を境界に並べた。 この制限された攻撃者は、状態と行動空間全体を観察できる攻撃者に対する精度の低下にもかかわらず、他のアプローチに対する平均待ち時間を著しく増加させると同時に、自身のアプローチ、すなわち追加遅延を他のアプローチに外部化する際の待ち時間をほとんど変化させることなく、他のアプローチに対する平均待ち時間を著しく向上させることができる。 唯一実現可能な行動は、自身の報告したキューを膨らませることであるので、最大実行可能キューを報告したゼロ知識アタッカーが、サロゲートベースのキューと同じくらい損傷を受けているのに対して、非構造化のランダムインフレーションは、サロゲートが劣化を再現するために不要であり、露出した脆弱性はV2I検知チャネル自身である。 代理役の役割は方向制御であり、同じ予算で破壊的または利己的な目標を選択する。 攻撃は+/-20%の需要変動で継続する。 そして、ブラックボックスのサロゲートは、被害者自身の勾配を利用する実現可能なホワイトボックスの攻撃と一致し、実現可能性を捨てるだけで、さらにダメージが増大する。

関連論文リスト

• Boosting Transferable Adversarial Attacks against Deep Reinforcement Learning [7.609134886582979]
  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。
  論文  参考訳（メタデータ） (2026-10-05T10:14:05Z)
• VLA-Hijack: A Transferable Patch Attack against Vision-Language-Action Models via Visual Proprioception Hijacking [49.51251398232003]
  VLA-HijackはVision-Language-Actionモデルのための統合された対向フレームワークである。 共有された視覚的自己ローカライゼーションプロセスを活用することで、根本的な脆弱性を悪用する。 ホワイトボックス設定において優れた最適化効率を実現し、クロスアーキテクチャとクロスドメインブラックボックス転送性のための新しいSOTAを設定する。
  論文  参考訳（メタデータ） (2026-05-27T07:38:16Z)
• PA-Attack: Guiding Gray-Box Attacks on LVLM Vision Encoders with Prototypes and Attention [63.63231191403825]
  LVLM(Large Vision-Language Models)は、現代のマルチモーダルアプリケーションの基礎となっているが、敵攻撃に対する感受性は依然として重要な問題である。 本稿では, PA-Attack (Prototype-Anchored Attentive Attack) を導入し, 属性制限問題に対処し, バニラ攻撃のタスク一般化を限定する。 実験の結果、PA-Attackは平均75.1%のスコア低減率(SRR)を達成し、LVLMの強力な攻撃効率、効率、タスク一般化を示すことがわかった。
  論文  参考訳（メタデータ） (2026-02-23T01:20:43Z)
• TabVLA: Targeted Backdoor Attacks on Vision-Language-Action Models [63.51290426425441]
  バックドア付きVLAエージェントは、プレインジェクトされたバックドアによって隠蔽的にトリガーされ、敵のアクションを実行することができる。 我々は,VLAモデルに対するターゲットバックドア攻撃について検討し,ブラックボックスファインチューニングによる攻撃を可能にする新しいフレームワークであるTabVLAを紹介した。 我々の研究は、バックドア操作をターゲットにしたVLAモデルの脆弱性を強調し、より高度な防御の必要性を強調します。
  論文  参考訳（メタデータ） (2025-10-13T02:45:48Z)
• Adaptive Attacks on Trusted Monitors Subvert AI Control Protocols [80.68060125494645]
  プロトコルとモニタモデルを知っている信頼できないモデルによるアダプティブアタックについて検討する。 我々は、攻撃者がモデル出力に公知またはゼロショットプロンプトインジェクションを埋め込む単純な適応攻撃ベクトルをインスタンス化する。
  論文  参考訳（メタデータ） (2025-10-10T15:12:44Z)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)
• Rethinking Adversarial Policies: A Generalized Attack Formulation and Provable Defense in RL [46.32591437241358]
  本稿では、訓練された被害者エージェントが他のエージェントを制御する攻撃者によって悪用されるマルチエージェント設定について考察する。 以前のモデルでは、攻撃者が$alpha$に対する部分的な制御しか持たない可能性や、攻撃が容易に検出可能な"異常"な振る舞いを生じさせる可能性を考慮していない。 我々は、敵がエージェントをどの程度制御できるかをモデル化する柔軟性を持つ汎用攻撃フレームワークを導入する。 我々は、時間的分離を伴う敵の訓練を通じて、最も堅牢な被害者政策への収束を証明可能な効率のよい防御を提供する。
  論文  参考訳（メタデータ） (2023-05-27T02:54:07Z)
• Adversarial Pixel Restoration as a Pretext Task for Transferable Perturbations [54.1807206010136]
  トランスファー可能な敵攻撃は、事前訓練された代理モデルと既知のラベル空間から敵を最適化し、未知のブラックボックスモデルを騙す。 本稿では,効果的なサロゲートモデルをスクラッチからトレーニングするための自己教師型代替手段として,Adversarial Pixel Restorationを提案する。 我々のトレーニングアプローチは、敵の目標を通したオーバーフィッティングを減らすmin-maxの目標に基づいています。
  論文  参考訳（メタデータ） (2022-07-18T17:59:58Z)
• Black-box Adversarial Attacks in Autonomous Vehicle Technology [4.215251065887861]
  ブラックボックスの逆転攻撃は、自動運転車が他の車両や歩行者に衝突する重要なシーン要素の重大な誤分類を引き起こします。 転送ベース攻撃法におけるWhite-box Sourceの使用を克服するために,Modified Simple Black-box attack (M-SimBA) と呼ばれる新しいクエリベースの攻撃手法を提案する。 提案モデルは, 伝達型投影勾配降下(t-pgd), simbaといった既存モデルよりも収束時間, 混乱したクラス確率分布の平坦化, 真のクラスに対する信頼度の低い逆サンプルの生成に優れることを示した。
  論文  参考訳（メタデータ） (2021-01-15T13:18:18Z)

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。