NSGZero:ニューラルモンテカルロ木探索による大規模ネットワークセキュリティゲームにおける非利用可能ポリシーの効率的学習【JST・京大機械翻訳】

Xue Wanqi; An Bo; Yeo Chai Kiat

プレプリント

J-GLOBAL ID：202202213520809200 整理番号：22P0276384

NSGZero:ニューラルモンテカルロ木探索による大規模ネットワークセキュリティゲームにおける非利用可能ポリシーの効率的学習【JST・京大機械翻訳】

NSGZero: Efficiently Learning Non-Exploitable Policy in Large-Scale Network Security Games with Neural Monte Carlo Tree Search

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年01月17日プレプリントサーバーでの情報更新日： 2022年01月17日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

資源がネットワークで重要な目標を安全にするために配備する方法は,ネットワークセキュリティゲーム(NSG)によってモデル化できる。深層学習(DL)の最近の進歩は,大規模NSGを扱う強力なアプローチを提供するが,NSG-NFSPのようなDL法は,データ非効率性の問題に悩まされている。さらに集中制御により,それらは多数の資源を持つシナリオにスケールできない。本論文では,NSGZeroという新しいDLベース手法を提案し,NSGにおける非開発ポリシーを学習した。NSGZeroは,ニューラルモンテカルロツリー探索(MCTS)による計画を実行することにより,データ効率を改善する。主な寄与は3倍である。最初に,NSGにおいて神経MCTSを実行するために,深層ニューラルネットワーク(DNN)を設計した。第2に,著者らは,分散制御による神経MCTSを可能にして,NSGZeroを多くの資源を有するNSGに適用する。第3に,NSGZeroにおけるDNNの共同訓練を達成するために,効率的な学習パラダイムを提供した。最先端のアルゴリズムと比較して,著者らの方法は,有意により良いデータ効率とスケーラビリティを達成した。【JST・京大機械翻訳】

, , , , , , ,
, , , , 【Automatic Indexing@JST】

ゲーム理論 , 移動通信 , 人工知能

, , , ,

前のページに戻る