Mar, 2020

多元时间序列的对抗性攻击

PDF
TL;DR本文提出一种基于 Distilled 模型的对多元时间序列分类模型进行对抗攻击的方法，并在 UEA 和 UCR 数据集上进行验证，结果表明该方法对 18 个数据集上的两个模型的攻击均成功，因此建议未来的研究者将对抗样本纳入训练数据集以提高鲁棒性。
adversarial attackstime series classificationdistilled modelmultivariate time seriesresilience
发现论文，激发创造
  • 时间序列的对抗性攻击

    本文提出了利用敌对性转换网络（ATN）攻击不同时间序列分类模型的方法，并在多个数据集上展示了攻击的成功。最后，作者建议未来的时间序列分类模型研究者将敌对数据样本纳入训练集以提高模型的鲁棒性和考虑模型的抗干扰能力作为评估指标。

    Feb, 2019

  • 面向时间序列分类的深度神经网络的对抗攻击

    本文研究了深度学习在时序数据挖掘中的应用，提出了针对时序数据的敌对攻击机制，并揭示了当前的深度学习时序分类器在面对敌对攻击时的脆弱性，揭示出在食品安全和质量保障等领域中的深刻后果。

    Mar, 2019

  • 深度学习在多变量时间序列回归中的对抗性样本

    探索 DL 在多元时间序列回归中的脆弱性，发现在安全关键和成本关键应用中，所有评估的 DL 回归模型都容易遭受对抗攻击。

    Sep, 2020

  • 针对时间序列预测的攻击

    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

  • 利用注意力和对抗训练的多变量时间序列表示学习

    本文提出了一种基于变压器自编码器的、使用对抗训练方案进行正则化的人工多变量时间序列信号生成方法，通过 t-SNE 可视化、动态时间扭曲（DTW）和熵评分对生成的信号进行评估，结果表明与卷积网络方法相比，生成的信号与示例数据集的相似性更高。

    Jan, 2024

  • 对抗变换网络：学习生成对抗性样本

    本文提出了一种名为对抗变换网络（ATN）的新方法，其快速执行并提供出色的输出多样性，并在多个分类器上分析了其有效性。该方法旨在通过对简陋的模拟数据进行自我监督训练，生成最小化修改分类器输出的对抗性示例，同时限制新分类器以匹配对抗性目标类别。

    Mar, 2017

  • 针对视频分类的对抗训练分析与扩展

    本文提出了三种防御方法来增强对多种攻击类型的鲁棒性，包括自适应防御技术 Adaptive AT，课程式防御技术 Curriculum AT 和将 AT 与去噪生成对抗网络相结合的生成式防御技术 Generative AT，并在 UCF101 数据集上进行了实验。

    Jun, 2022

  • 时间序列模型的易感性与鲁棒性：对抗攻击与防御

    本研究研究了七种时间序列模型对于三种对抗攻击的敏感性和使用防御机制的鲁棒性，实验结果表明所有模型均易受攻击，其中尤以 GRU 与 RNN 敏感性较高，LSTM 和 GRU 的防御恢复效果较好，而在攻击效果上，FGSM 超过其它竞争对手，PGD 攻击比其它攻击更难从中恢复。

    Jan, 2023

  • 时空交通预测模型的实践性对抗攻击

    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

  • 利用判别式 teacher 进行时间扭曲的神经网络时间序列数据增强

    本文旨在解决时间序列分类数据集较小的问题，提出了一种基于动态时间规整的数据增强方法 guided warping，使用深度卷积神经网络和循环神经网络对 85 个时序数据集进行了评估。

    Apr, 2020