设计最优敌对噪声算法是一项具有挑战性的任务,本文将其表述为学习器和对手之间的一种两方零和博弈,需要利用最佳响应神经网络生成随机化攻击来计算纳什均衡,本文在多个分类任务中演示了该方法的实际有效性。
Jun, 2019
本文采用博弈论视角研究分类器对抗攻击的鲁棒性,证明了在确定性情况下不存在一个能保证最优鲁棒性的纳什均衡点,并提出了采用随机化方法构建具有鲁棒性的分类器的算法,实验结果验证了该方法的有效性。
Feb, 2020
通过无限维二人博弈的新算法框架,我们证明了混合 Nash Equilibria 上的收敛性率,最终通过简单取样程序实现了高效的算法,证明了其在速度和质量上的优越表现。
Oct, 2018
研究内容涵盖电子竞技中的机器学习,多代理生成对抗网络的表现力,以及两队博弈中的优化问题和 Nash 均衡解的解决方案。通过考虑全信息反馈下的游戏,对在线学习算法的能力进行了讨论,并提出了一个基于控制论技术的一阶方法用于解决该类问题,该方法能够在某些条件下享有局部收敛性。
Nov, 2021
使用梯度下降法的粒子动态法可以在高维度的情况下找到两个玩家零和持续游戏中的混合纳什均衡,该方法对于训练对抗生成网络的混合模型是有效的。
本文研究了在零和游戏中应用没有遗憾学习算法对抗自适应对手并取得最优结果的问题,并给出了一组正负结果,其中提出的新算法在普通的策略类别小或对手策略类别小时,可取得平均的 regret 较小的结果。
Mar, 2022
本文从多个角度对对抗博弈中三种主要的游戏模型(零和标准型和扩展型游戏,Stakelberg 安全游戏和零和微分游戏)进行了系统的调研,涵盖了游戏模型基础知识,平衡概念,问题分类,研究前沿,最优策略寻找技术,主要算法和实际应用,并探讨了未来的研究方向。
Jul, 2022
本文提出 Adversarial Example Games (AEG),一种基于 min-max 博弈的生成对抗样本方法,实现了在给定假设类别的基础上训练生成器和分类器,证明了该方法能生成可攻击对应假设类别中所有分类器的对抗样本,实验表明该方法在 MNIST 和 CIFAR-10 数据集上相对于其他方法有了明显的提升。
Jul, 2020
该论文使用博弈论和 stackelberg 均衡的概念,以串行博弈的形式来研究实际情况下 DNN 分类器的最优鲁棒性和最优对抗样本问题,探讨了分类器的鲁棒性和准确性之间的平衡问题。
构建针对普遍对抗性扰动所鲁棒的分类器的零和博弈训练方法,可在多个图像分类数据集上保证分类器的鲁棒性和多用途性。
Sep, 2018