基于高效自集成提升时间序列分类认证鲁棒性

最近，针对时间序列领域对抗鲁棒性问题关注度显著增加。然而，现有防御机制仍有限，以对抗训练为主，但未提供理论保证。随机平滑法因能在 $\ell_p$ 球攻击下认证可证明的鲁棒性半径而成为亮点方法。鉴于其成功，时间序列领域的研究开始关注这些方面。然而，现有研究主要聚焦于时间序列预测，或在非 $\ell_p$ 鲁棒性下对统计特征增强进行时间序列分类（TSC）。我们的审查发现，随机平滑在 TSC 中表现平淡，难以为鲁棒性较差的数据集提供有效保证。因此，我们提出一种自集成方法，通过降低分类边际的方差来增强预测标签概率置信度的下界，从而认证更大的半径。该方法也解决了深度集成（DE）的计算开销问题，同时保持竞争力，且在某些情况下在鲁棒性方面优于后者。理论分析和实验结果均验证了我们方法的有效性，表明其在鲁棒性测试中优于基线方法。