arXiv cs.MA· Amine Andam, Jamal Bentahar, Mustapha Hedabou·· 10 小时前AI 评分32
仅凭观测甚至零访问：针对协作多智能体强化学习的受限黑盒攻击
Constrained Black-Box Attacks Against Cooperative Multi-Agent Reinforcement Learning
AI 导读
研究提出两种受限黑盒攻击设定：攻击者仅能访问智能体观测，或完全无访问权限，通过生成扰动使受害智能体对环境感知错位、无法协作。在22个环境上的实验显示，该类攻击兼具有效性与样本效率。
正文 · AI 翻译
摘要：协作式多智能体强化学习（MARL）正日益部署于关键领域，但其对抗性扰动的脆弱性尚未得到充分研究。现有针对 MARL 的大多数对抗攻击依赖于乐观假设，例如能够获取策略权重或训练替代策略。我们研究能力有限的对手是否仍能对 MARL 智能体有效。具体而言，我们研究了文献中被忽视的两种受限攻击设定：(i) 仅能获取智能体观测的对手，以及 (ii) 完全无法获取任何信息的对手。我们的方法生成扰动，故意使受害智能体对其环境的感知发生错位，从而阻止它们协作。我们在 22 个多样化环境中进行了大量实验。结果表明我们的攻击既有效又具有样本效率。
| 学科： | 机器学习（cs.LG）；多智能体系统（cs.MA） |
| 引用为： | arXiv:2508.09275 [cs.LG] |
| （或使用 arXiv:2508.09275v3 [cs.LG] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2508.09275 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Amine Andam [查看邮箱]
[v1]
2025年8月12日 星期二 18:31:15 UTC（1,181 KB）
[v2]
2026年1月21日 星期三 14:25:32 UTC（1,175 KB）
[v3]
2026年11月3日 星期二 21:19:27 UTC（1,235 KB）
来源：arXiv cs.MA · arxiv.org