来源：专知本文为教程，建议阅读5分钟本教程将概述在序列决策设置中的对抗性学习的最新研究。
本教程将概述在序列决策设置中的对抗性学习的最新研究。特别地，本教程将侧重于基于多臂赌博机、强化学习和多智能体交互的对抗性攻击和防御机制。本教程将暂时涵盖以下列出的内容。
https://adversarial-rl.org/ijcai2022/index.html
- 介绍
- 序列决策入门: 多臂赌博机，强化学习，多智能体交互，和博弈。
- 对抗性序列决策如何不同于对抗性监督学习的高级概述。
- 攻击策略和防御机制的高级概述。
- 多臂赌博机
- 不同反馈破坏模型和目标下的最优攻击策略。
- 最近在设计鲁棒算法、关键挑战和开放问题方面的工作。
- 强化学习
- 讨论不同的学习范式(例如，模仿学习、离线学习和在线学习)，以及它们在对抗性攻击中是如何区别的。
- 测试时间、训练时间和后门攻击的最优攻击策略。
- 不同数据破坏模型和攻击目标下的最优攻击策略。
- 最近在设计鲁棒算法、关键挑战和开放问题方面的工作。
- 多智能体相互作用和博弈论考虑
- 多智能体系统中通过控制其他智能体的攻击和非健忘攻击。
- 利用博弈论工具防御攻击。
- 实际考虑和讨论
- 针对学习代理的安全威胁案例研究。
- 在对抗性序列决策中开发基准工具和数据集。
- 与观众公开讨论，促进跨社区合作。
