Communication Dans Un Congrès Année : 2025

Ensemble et Fusion d'Agents RL pour la Robustesse aux Attaques Adverses

Résumé

L'Apprentissage par Renforcement Profond (RL) permet d'entraîner des agents autonomes à prendre des décisions dans des environnements complexes, mais reste sensible aux variations et perturbations des observations. L'entraînement adverse permet d'améliorer la robustesse des agents en les exposant à des attaques adverses. L'association des méthodes adverses avec des méthodes ensemblistes et la fusion de modèles peut permettre de renforcer la généralisation de la robustesse. Cet article compare les méthodes d’attaques et d’entraînement adverses tout en explorant les méthodes ensemblistes et la fusion de modèles en RL.

Fichier principal
Vignette du fichier
CAp2025.pdf (352.58 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Licence

Dates et versions

hal-05071249 , version 1 (21-08-2025)

Licence

Identifiants

  • HAL Id : hal-05071249 , version 1

Citer

Lucas Schott, Elies Gherbi, Hatem Hajri, Sylvain Lamprier. Ensemble et Fusion d'Agents RL pour la Robustesse aux Attaques Adverses. Conférence sur l’Apprentissage automatique (CAp), Jun 2025, Dijon, France. ⟨hal-05071249⟩
1628 Consultations
236 Téléchargements

Partager

  • More