arXiv · cs.AI· Zexin Li, Ruili Yao, Yiming Zeng, Xiaoxue Gao·· 1 天前
深度强化学习可迁移对抗攻击的轨迹级增强方法
Boosting Transferable Adversarial Attacks against Deep Reinforcement Learning
arXiv:2610.06083v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Zexin Li, Ruili Yao, Yiming Zeng, Xiaoxue Gao
首次提交：2026-10-05 18:14
研究任务与主要进展
针对深度强化学习的黑盒迁移攻击，轨迹级攻击在 CartPole-v1 的白盒、跨模型和跨算法设置中均优于逐步攻击与同预算随机噪声。该方法通过可微环境模型和温度平滑的替代策略，在递进视野内优化连续扰动序列；在10个 DQN 和 DDQN 智能体、100对替代—受害组合上的摘要实验支持这一结果。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org