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.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |