本文探讨了机器学习在电力系统中的安全性问题，并指出目前大多数算法容易受到对抗性输入数据的攻击，因此需要设计更加健壮和安全的算法。

Aug, 2018

研究探讨了智能电网中机器学习的安全性问题，发现深度神经网络方法易受对抗性扰动影响，并指出目前机器学习算法在智能电网中面对各种对抗性攻击的弱点，尤其是在故障定位和类型分类方面。

Mar, 2023

本论文提出了一种新的面向时间序列预测模型的 DA-TAA 攻击方式，通过对模型预测的振幅和方向进行精确打击，增强了攻击的有效性，在实验中对比了有无目标的攻击方式，结果呈现出更高的统计意义，且难以用统计方法检测，这提出了新的挑战和考虑，需要更好的防御措施。

Jan, 2023

本文研究了机器学习在交通预测模型中的漏洞，提出了一个实用的敌对空间时间攻击框架，该框架通过迭代渐变引导节点显著性方法来识别受害节点的时间相关集，进而设计一种空间时间渐变下降算法来生成有实值的敌对交通状态，并在两个实际数据集上进行了广泛的实验。结果表明，该攻击框架达到了各种先进空间时间预测模型高达 67.8% 的性能降级，同时展示了在我们提议的攻击训练下的算法的鲁棒性的显著提高。

Oct, 2022

通过使用人工智能技术，本研究提出了一种新颖的智能电网基于模型的网络攻击检测方法，以阻止监控控制和数据采集系统（SCADA）上接收的负载数据的数据完整性网络攻击（DIAs），并使用回归模型进行负载数据的预测，以及通过无监督学习方法对处理后的数据进行聚类，以实现最佳性能。实验结果表明，EE-BiLSTM 方法比其他两种方法更稳健和准确。

Dec, 2023

本文通过实证研究两个组织的真实数据，量化了过滤对于预测网络攻击可预测性的影响，发现过滤降低了网络攻击的可预测性，由于入侵事件的数据过少且具有不同于总数据集的生成过程，使得预测模型更加困难。

Apr, 2020

该研究探讨了如何使用对抗性学习通过生成基于 Jacobian 的显著性图攻击的对抗性样本以及探索分类行为，从而攻击监督模型。该分析还包括如何使用对抗性训练来支持监督模型的鲁棒性。随着对抗性样本的出现，两个广泛使用的分类器 —— 随机森林和 J48 的分类性能分别降低了 16 和 20 个百分点，但训练后它们的性能得到提高，证明了它们对这种攻击的鲁棒性。

Apr, 2020

本研究提供了一个全面的负载预测档案，其中包括为有助于预测模型更好地模拟负载数据而进行的负载特定特征工程。 此外，我们还提供了一种根据预测误差自定义损失函数的方法，将其整合到我们的预测框架中。 根据此，我们对不同级别的负载数据进行了广泛的实验，为研究人员比较不同的负载预测模型提供了参考。

Jul, 2023

我们针对神经模型输出概率分布序列的情况，开发了一种更有效的对抗攻击方法。我们解决的关键技术挑战是如何通过蒙特卡罗估计输出序列的联合分布统计量。此外，我们将概率预测的先前工作扩展到贝叶斯设置中，可以对未来观测进行调节。我们证明了这种方法可以在股票市场交易和电力消耗预测等两项关键任务中成功生成具有小输入扰动的攻击。

Mar, 2020

研究论文通过提出多变量对抗时间序列预测模型来解决工业企业电力系统预测的问题，实验结果显示该方法能够更准确地预测工业企业的电力消耗。

Jun, 2024