Adversarial DFL

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。