持续对抗强化学习（CARL）用于虚假数据注入检测：遗忘与可解释性

本研究针对智能逆变器中的虚假数据注入攻击（FDIA）问题，提出了一种新的持续对抗强化学习（CARL）方法，该方法通过在检测训练中引入对抗示例来增强数据驱动检测的鲁棒性。研究表明，该方法不仅能够提升对FDIA检测的可解释性，还能有效解决持续学习中出现的灾难性遗忘问题，从而提高检测系统的性能和可靠性。