时间序列基础模型是否已具备部署条件？跨领域对抗鲁棒性的系统性研究
机器学习
2025-12-09 v2
摘要
时间序列基础模型 (TSFMs) 正凭借其出色的零样本预测能力，迅速从研究原型转变为关键决策系统的核心组件。然而，随着其部署量的激增，一个关键的盲点依然存在：它们在对抗攻击下的脆弱性。这种缺乏审查的状况带来了严重的风险，特别是当 TSFMs 进入易受操纵的高风险环境时。我们提出了一项系统性诊断研究，认为对于 TSFMs 而言，鲁棒性不仅仅是一个次要指标，而是与准确率相媲美的、值得信赖的部署前提条件。我们的评估框架明确针对时间序列的独特约束而设计，在白盒和黑盒设置中纳入了归一化的、稀疏性感知的扰动预算和统一的尺度不变指标。在六个具有代表性的 TSFMs 中，我们证明了当前的架构惊人地脆弱：即使是微小的扰动也能可靠地将预测引导至特定的失效模式，例如趋势翻转和恶意漂移。我们发现了 TSFM 特有的脆弱性模式，包括邻近视界的脆弱性、上下文窗口变长导致敏感性增加，以及较弱的跨模型迁移性，这指向了模型特定的失效模式而非通用畸变。最后，我们表明，简单的对抗微调提供了一条提升鲁棒性的高性价比途径，即使使用域外数据也是如此。这项工作弥合了 TSFM 能力与安全约束之间的差距，为强化下一代预测系统提供了重要指导。
引用
@article{arxiv.2505.19397,
title = {Are Time-Series Foundation Models Deployment-Ready? A Systematic Study of Adversarial Robustness Across Domains},
author = {Jiawen Zhang and Zhenwei Zhang and Shun Zheng and Xumeng Wen and Jia Li and Jiang Bian},
journal= {arXiv preprint arXiv:2505.19397},
year = {2025}
}
备注
Preprint