深度学习用于多元时间序列回归的对抗样本研究
机器学习
2020-09-28 v1 机器学习
摘要
多元时间序列(MTS)回归任务广泛存在于许多现实世界数据挖掘应用中，包括金融、网络安全、能源、医疗、 prognostics 等诸多领域。由于深度学习(DL)算法在图像识别和计算机视觉等多个领域的巨大成功，研究者开始采用这些技术解决MTS数据挖掘问题，其中许多面向安全关键型和成本关键型应用。遗憾的是，DL算法已知易受对抗样本攻击，这也使得用于MTS预测的DL回归模型同样脆弱。据我们所知，此前尚无工作探讨DL MTS回归模型对对抗时间序列样本的脆弱性，而当此类模型的预测用于安全关键型和成本关键型应用时，这是重要的一步。本工作中，我们利用图像分类领域已有的对抗攻击生成技术，为三种最先进的深度学习回归模型——具体而言卷积神经网络(CNN)、长短期记忆(LSTM)和门控循环单元(GRU)——构造对抗多元时间序列样本。我们使用Google股票和 household power consumption 数据集评估研究。所得结果表明，所有被评估的DL回归模型均易受对抗攻击、具有可迁移性，从而可能在能源和金融等安全关键型和成本关键型领域导致灾难性后果。
引用
@article{arxiv.2009.11911,
title = {Adversarial Examples in Deep Learning for Multivariate Time Series Regression},
author = {Gautam Raj Mode and Khaza Anuarul Hoque},
journal= {arXiv preprint arXiv:2009.11911},
year = {2020}
}
备注
Accepted for publication in the 49th Annual IEEE Applied Imagery Pattern Recognition (AIPR) workshop 2020