본 논문은 시각적 강화 학습(Visual Reinforcement Learning, VRL) 에이전트의 적대적 공격 취약성을 탐구하고, 이미지 기반 연속 제어 환경에서 효과적인 흑백 공격 프레임워크인 SEBA(Sample-Efficient Black-Box Adversarial Attacks)를 제안합니다. SEBA는 그림자 Q 모델, 생성적 적대 신경망(Generative Adversarial Network, GAN), 환경 시뮬레이션을 위한 월드 모델을 통합하여 실제 환경 쿼리를 줄이고 공격 효율성을 높입니다.
