SEBA: Effiziente Black‑Box‑Angriffe auf visuelles Reinforcement Learning
In der Welt des visuellen Reinforcement Learning (RL) wurden enorme Fortschritte bei der Steuerung von Robotern und der Bildverarbeitung erzielt. Gleichzeitig bleibt die Anfälligkeit dieser Systeme gegenüber feindlichen Störungen weitgehend unerforscht. Traditionelle Black‑Box‑Angriffe konzentrieren sich meist auf vektorbasierte oder diskrete Aktionsräume und stoßen bei bildbasierten, kontinuierlichen Steuerungen an ihre Grenzen, weil die Aktionsmenge riesig ist und viele Umgebungsabfragen erforderlich werden.
