面向热带风暴轨迹预测的下游天气预测模型对抗性攻击研究
摘要
基于深度学习的天气预测 (DLWF) 模型利用过去的天气观测数据生成未来预测，支持包括热带风暴 (TC) 预测在内的众多下游应用。在本文中，我们研究了这些模型对对抗性攻击的脆弱性，即对上游预测进行微小扰动即可改变下游 TC 轨迹预测。尽管最近有研究针对 DLWF 模型进行对抗性攻击，但要生成引导下游输出走向攻击者指定轨迹的扰动上游预测仍然具有挑战性。首先，传统的 TC 检测系统是透明的、不可微的黑盒子，使标准的梯度攻击方法难以应用。其次，TC 事件的极端稀有性导致严重的类别不平衡问题，使开发针对上游预测进行扰动以产生符合攻击者目标轨迹的逼真风暴路径的方法变得困难。为克服这些限制，我们提出了 Cyc-Attack，一种用于扰动 DLWF 模型上游预测以生成对抗性轨迹的新方法。该方法使用可微的替代模型来近似 TC 检测器的输出，从而实现梯度攻击。Cyc-Attack 还采用偏斜感知损失函数和核膨胀策略以解决不平衡问题。最后，使用基于距离的梯度加权方案和正则化约束扰动，消除不逼真的轨迹，从而使对抗性上游预测更难被检测。我们的实验表明，Cyc-Attack 在匹配攻击者目标轨迹方面 achieves 更高的真阳性率，同时 false alarm rate 更低，扰动也更隐蔽。
引用
@article{arxiv.2510.10140,
title = {Adversarial Attacks on Downstream Weather Forecasting Models: Application to Tropical Cyclone Trajectory Prediction},
author = {Yue Deng and Francisco Santos and Pang-Ning Tan and Lifeng Luo},
journal= {arXiv preprint arXiv:2510.10140},
year = {2026}
}
备注
Compared with the previous version, we added zeroth-order optimization methods as baselines, clarified the motivation for using a surrogate model, and provided a more detailed investigation of the upstream attack