基于统计特征且具有认证鲁棒性的时间序列领域对抗框架
机器学习
2022-07-12 v1
摘要
时间序列数据出现在许多现实应用中（例如移动健康），深度神经网络（DNN）在解决这些问题上已展现出巨大成功。尽管取得了成功，但其对对抗攻击的鲁棒性却鲜为人知。在本文中，我们提出了一种新颖的对抗框架，称为基于统计特征的时间序列攻击（TSA-STAT）。为应对时间序列领域特有的挑战，TSA-STAT对时间序列数据的统计特征施加约束以构造对抗样本。采用优化的多项式变换来生成比基于加性扰动的攻击更有效（就成功欺骗DNN而言）的攻击。我们还提供了用于构造对抗样本的统计特征范数的认证界。我们在多个现实世界基准数据集上的实验表明了TSA-STAT在欺骗时间序列领域DNN以及提升其鲁棒性方面的有效性。TSA-STAT算法的源代码可在 https://github.com/tahabelkhouja/Time-Series-Attacks-via-STATistical-Features 获取。
引用
@article{arxiv.2207.04307,
title = {Adversarial Framework with Certified Robustness for Time-Series Domain via Statistical Features},
author = {Taha Belkhouja and Janardhan Rao Doppa},
journal= {arXiv preprint arXiv:2207.04307},
year = {2022}
}
备注
Published at Journal of Artificial Intelligence Research