基于 Transformer 的强化学习揭示 UTM 的关键漏洞

研究人员开发了一种新颖的方法，通过将问题构建为序列建模任务，来揭示无人机交通管理 (UTM) 系统中的安全关键漏洞。他们的方法利用基于 Transformer 的强化学习架构，特别是策略模型和动作采样器，来生成有针对性的测试场景并预测最佳动作。这种基于风险的奖励函数方法在 700 小时的模拟中，在漏洞发现效率方面比专家指导的测试提高了 8 倍，识别出了传统方法遗漏的关键边缘情况。 AI

影响 通过提供一种更有效的方法来发现复杂系统中的关键漏洞，从而增强了 AI 安全研究。

排序理由 详细介绍 AI 安全研究新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• Action Sampler
• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• Policy modeling to support administrative decisionmaking on the New York state HIV testing law.
• ScienceCast
• transformer
• universal Turing machine
• Unmanned Traffic Management

• 论文
• 安全

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →