新的对抗性DFL方法改进了网络拦截博弈学习

研究人员开发了一种名为对抗性DFL（A-DFL）的新方法，以解决决策导向学习（DFL）应用于网络拦截博弈时出现的根本性故障。在这些博弈中，拦截者加强网络弧线，而规避者使用机器学习预测器寻找最短路径，这常常导致DFL的训练目标允许成本估计器在拦截下表现不佳。A-DFL用被拦截的场景替换名义训练样本来克服这个问题，恢复了DFL的优势，并实现了有效的端到端优化。 AI

影响 这项研究可能带来更强大的AI系统，用于在对抗性环境中进行战略决策。

排序理由 该集群包含一篇详细介绍新机器学习方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Adversarial DFL
• Decision-Focused Learning
• Dongfeng Motor Company Limited
• machine-learned predictor
• Network Interdiction Games
• prediction-focused learning
• Shortest path network interdiction with asymmetric uncertainty
• Stackelberg Game

• 论文
• 其他

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