摘要: 深度强化学习是人工智能领域新兴技术之一, 它将深度学习强大的特征提取能力与强化学习的决策能力相结合, 实现从感知输入到决策输出的端到端框架, 具有较强的学习能力且应用广泛. 然而, 已有研究表明深度强化学习存在安全漏洞, 容易受到对抗样本攻击. 为提高深度强化学习的鲁棒性、实现系统的安全应用, 本文针对已有的研究工作, 较全面地综述了深度强化学习方法、对抗攻击、防御方法与安全性分析, 并总结深度强化学习安全领域存在的开放问题以及未来发展的趋势, 旨在为从事相关安全研究与工程应用提供基础.

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200166

成为VIP会员查看完整内容
23

相关内容

深度强化学习 (DRL) 是一种使用深度学习技术扩展传统强化学习方法的一种机器学习方法。 传统强化学习方法的主要任务是使得主体根据从环境中获得的奖赏能够学习到最大化奖赏的行为。然而,传统无模型强化学习方法需要使用函数逼近技术使得主体能够学习出值函数或者策略。在这种情况下,深度学习强大的函数逼近能力自然成为了替代人工指定特征的最好手段并为性能更好的端到端学习的实现提供了可能。
专知会员服务
66+阅读 · 2021年9月10日
专知会员服务
44+阅读 · 2021年9月9日
专知会员服务
39+阅读 · 2021年5月6日
专知会员服务
51+阅读 · 2021年4月6日
专知会员服务
87+阅读 · 2021年1月17日
专知会员服务
131+阅读 · 2021年1月13日
专知会员服务
62+阅读 · 2021年1月10日
专知会员服务
97+阅读 · 2021年1月1日
专知会员服务
79+阅读 · 2020年12月11日
专知会员服务
94+阅读 · 2020年12月8日
「图神经网络东」最新2022综述
专知
9+阅读 · 2022年1月9日
最新基于强化学习的推荐系统综述
机器学习与推荐算法
6+阅读 · 2021年9月10日
约束进化算法及其应用研究综述
专知
0+阅读 · 2021年4月12日
多模态视觉语言表征学习研究综述
专知
25+阅读 · 2020年12月3日
综述 | 异质信息网络分析与应用综述
专知
26+阅读 · 2020年8月8日
国家自然科学基金
16+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2013年12月31日
国家自然科学基金
8+阅读 · 2013年12月31日
国家自然科学基金
5+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
8+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月17日
Arxiv
16+阅读 · 2021年1月27日
Anomalous Instance Detection in Deep Learning: A Survey
Deep Learning in Video Multi-Object Tracking: A Survey
Arxiv
54+阅读 · 2019年7月31日
VIP会员
相关VIP内容
专知会员服务
66+阅读 · 2021年9月10日
专知会员服务
44+阅读 · 2021年9月9日
专知会员服务
39+阅读 · 2021年5月6日
专知会员服务
51+阅读 · 2021年4月6日
专知会员服务
87+阅读 · 2021年1月17日
专知会员服务
131+阅读 · 2021年1月13日
专知会员服务
62+阅读 · 2021年1月10日
专知会员服务
97+阅读 · 2021年1月1日
专知会员服务
79+阅读 · 2020年12月11日
专知会员服务
94+阅读 · 2020年12月8日
相关资讯
相关基金
国家自然科学基金
16+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2013年12月31日
国家自然科学基金
8+阅读 · 2013年12月31日
国家自然科学基金
5+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
8+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员