★ 2
面向 DRL 入侵检测的可解释通用对抗扰动
论文针对基于深度强化学习的入侵检测系统，提出首个将概率鲁棒性（PR）显式目标引入通用对抗扰动（UAP）生成的方法。在此基础上提出 PX-UAP，利用可解释 AI 在现实约束下引导扰动塑形，并给出理论分析。实验显示 PX-UAP 在攻击有效性上持续优于现有 UAP 方法。
arXiv cs.LG35 天前
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文针对基于深度强化学习的入侵检测系统，提出首个将概率鲁棒性（PR）显式目标引入通用对抗扰动（UAP）生成的方法。在此基础上提出 PX-UAP，利用可解释 AI 在现实约束下引导扰动塑形，并给出理论分析。实验显示 PX-UAP 在攻击有效性上持续优于现有 UAP 方法。
论文提出一种混合脉冲神经网络（SNN）与XGBoost架构，用于电力网络入侵检测。SNN仅训练一次作为固定特征提取器，仅重训XGBoost分类器，从而在机器遗忘攻击下保持结构韧性。在两个真实电力数据集上分别达到99.9%和95.0%准确率，且在标签翻转攻击下性能损失极小。