时间序列分类中对抗攻击的相关性分析
机器学习
2024-08-22 v1 密码学与安全
摘要
本研究调查了时间序列分类模型在对抗攻击下的脆弱性，重点关注此类模型在对抗条件下如何处理局部信息与全局信息。通过利用归一化自相关函数（NACF），对神经网络的倾向性进行了探索。研究证明，采用快速傅里叶变换（FFT）方法并针对扰动频域分量的正则化技术，显著增强了攻击的有效性。同时，引入噪声和高斯滤波等防御策略被证明能显著降低攻击成功率（ASR），其中基于引入噪声的方法在对抗高频失真方面尤为有效。此外，优先处理全局信息的模型被揭示出具有更强的对抗操纵抵抗力。这些结果强调了基于频域分析设计攻击与防御机制的重要性，以显著增强神经网络模型对抗对抗威胁的鲁棒性。
引用
@article{arxiv.2408.11264,
title = {Correlation Analysis of Adversarial Attack in Time Series Classification},
author = {Zhengyang Li and Wenhao Liang and Chang Dong and Weitong Chen and Dong Huang},
journal= {arXiv preprint arXiv:2408.11264},
year = {2024}
}
备注
15 pages, 7 figures