LEARNING
RoAd-RL：鲁棒对抗性强化学习的统一库与基准测试
Adithya Mohan, Daniel Kriegl, Torsten Schön
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
该论文提出了RoAd-RL，一个用于鲁棒对抗性强化学习的开源基准测试框架，统一了策略、攻击、防御和鲁棒性指标的抽象，并集成了可复现的评估流程。在LunarLander和Highway-v0环境下对192种攻防配置进行评估，揭示了不同环境下鲁棒性的显著差异，并发现某些常用防御可能比攻击更具危害性。
关键词
adversarial reinforcement learningrobustness benchmarkDRLopen-source libraryattack-defense evaluation
相关论文
LEARNING
📊 8,465 引用
The Organization of Behavior
D. O. Hebb
2005
LEARNING
📊 7,678 引用
Fractional Brownian Motions, Fractional Noises and Applications
Benoît B. Mandelbrot, John W. Van Ness
1968
LEARNING
开放获取📊 7,484 引用
Review of deep learning: concepts, CNN architectures, challenges, applications, future directions
Laith Alzubaidi, Jinglan Zhang, Amjad J. Humaidi 等 10 位作者
2021
LEARNING
📊 4,608 引用
A guide to deep learning in healthcare
Andre Esteva, Alexandre Robicquet, Bharath Ramsundar 等 10 位作者
2018