Crossing the Cyber Divide: Sim-to-Sim and Sim-to-Real Transfer for RL Agents
该论文研究网络攻防强化学习智能体在不同仿真环境之间的策略迁移问题。现有网络攻击智能体通常只在单一模拟器中训练和评估,导致无法判断学到的策略能否迁移到其他环境,也妨碍部署与公平比较。作者指出,不同网络模拟器在状态表示、观测模型和动作空间方面差
共收录 3 条相关情报。
← 返回所有主题该论文研究网络攻防强化学习智能体在不同仿真环境之间的策略迁移问题。现有网络攻击智能体通常只在单一模拟器中训练和评估,导致无法判断学到的策略能否迁移到其他环境,也妨碍部署与公平比较。作者指出,不同网络模拟器在状态表示、观测模型和动作空间方面差
本研究聚焦于「基于学习的机器人操作」(learning-enabled robotic manipulation)在真实部署前普遍依赖机器人仿真器进行策略训练与评估这一流程。作者首先指出,现有3D资产中存在一种被合法且广泛使用的「视觉—碰撞
本文研究商业端点检测与响应(EDR)产品在自主 AI 组件替代人工规则配置的背景下,如何评估自主防御代理对商业 EDR 的加固效果。作者指出,现有评估多基于开源 EDR 或模拟环境,忽略了商业 EDR 作为黑盒自主系统的复杂性——其内部 A