基于动态时间规整的时间序列领域对抗框架
机器学习
2023-05-10 v2
摘要
尽管深度神经网络（DNN）对抗鲁棒性的研究进展迅速，针对时间序列领域的系统性工作却很少。由于时间序列数据出现在包括移动健康、金融和智能电网在内的多种应用中，验证并提升DNN在时间序列领域的鲁棒性十分重要。在本文中，我们提出了一种针对时间序列领域的新颖框架，称为基于动态时间规整的对抗鲁棒性（DTW-AR），该框架使用动态时间规整度量。我们提供了理论和经验证据，证明相较于先前图像领域方法所采用的标准欧氏距离度量，DTW更具有效性。我们开发了一种由理论分析支撑的系统性算法，利用随机对齐路径高效生成多样化的对抗样本。在多个现实世界基准上的实验表明，DTW-AR能够欺骗时间序列数据的DNN，并通过对抗训练提升其鲁棒性。DTW-AR算法的源代码可在 https://github.com/tahabelkhouja/DTW-AR 获取。
引用
@article{arxiv.2207.04308,
title = {Dynamic Time Warping based Adversarial Framework for Time-Series Domain},
author = {Taha Belkhouja and Yan Yan and Janardhan Rao Doppa},
journal= {arXiv preprint arXiv:2207.04308},
year = {2023}
}
备注
Accepted for publication at IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)