MARC

 008250123s2024        us                              c    eng  d
■001000017164235
■00520250211152937
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346856788
■035    ▼a(MiAaPQ)AAI31563833
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aWu,  Xian.
■24510▼aSecuring  Deep  Reinforcement  Learning
■260    ▼a[Sl]▼bNorthwestern  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a163  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-06,  Section:  B.
■500    ▼aAdvisor:  Xing,  Xinyu.
■5021  ▼aThesis  (Ph.D.)--Northwestern  University,  2024.
■520    ▼aDeep  reinforcement  learning  (DRL)  has  shown  remarkable  potential  in  various  applications,  including  video  game  playing,  mastering  the  game  of  Go,  and  autonomous  piloting.  Despite  these  successes,  DRL  systems  are  vulnerable  to  adversarial  attacks,  where  adversaries  can  manipulate  a  well-trained  agent's  behavior  by  altering  the  input  to  the  policy  network  or  by  training  adversarial  agents  to  exploit  the  victim's  weaknesses.  The  latter  type  of  attack,  which  involves  adversarial  agents,  is  more  realistic  and  challenging  to  counteract  compared  to  observation  perturbations.  Existing  work  on  defending  against  this  type  of  attack  has  not  demonstrated  high  exploitability  in  complex  games,  nor  has  it  provided  effective  defense  strategies.In  this  dissertation,  I  tackle  the  challenge  of  adversarial  agent  attacks  by  proposing  a  comprehensive  system  that  integrates  explainable  AI,  optimization,  adversarial  training,  and  game  theory.  This  system  is  designed  to  detect,  expose,  and  correct  flaws  in  DRL  policies  by  developing  adversarial  agents  that  engage  with  target  agents  to  reveal  and  mitigate  their  vulnerabilities.  Moreover,  I  enhance  our  understanding  of  adversarial  policies  by  modeling  attacks  and  defenses  as  a  two-player  zero-sum  game  and  propose  a  novel,  provably  effective  defense.  Specifically,  I  first  present  a  novel  method  for  training  adversarial  agent  which  utilize  the  explainable  AI  techniques  to  effectively  exploit  the  weakness  of  the  victim  agent.  Following  that,  I  introduce  another  optimization-based  adversarial  training  algorithm  with  stronger  exploitability  and  better  transferability.  Additionally,  I  explore  potential  defenses  using  these  adversarial  training  methods.  Beyond  adversarial  policies,  I  develop  a  provable  defense  against  adversarial  agent  attacks  within  two-player  competitive  games.  This  dissertation  research  realizes  a  systematic  framework  for  adversarial  agent  attacks  and  defenses  in  deep  reinforcement  learning.  By  utilizing  this  framework,  we  can  significantly  enhance  the  security  of  deep  reinforcement  learning  applications.
■590    ▼aSchool  code:  0163.
■650  4▼aComputer  science
■653    ▼aAdversarial  attack
■653    ▼aProvable  defense
■653    ▼aReinforcement  learning
■690    ▼a0984
■690    ▼a0800
■71020▼aNorthwestern  University▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g86-06B.
■790    ▼a0163
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164235▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서