时序异常检测的 DTW 认证鲁棒性
机器学习
2026-05-11 v1
摘要
时序异常检测对于确保高风险应用中的安全至关重要，鲁棒性因此成为基本要求而非仅仅是性能指标。针对这些系统受到对抗操纵的脆弱性，现有防御方法大多为经验性或仅在 范数约束下提供认证鲁棒性，这些约束与时序数据不兼容。特别是 范数未能捕捉时序数据中的内在时序结构，导致小幅时序扰动显著改变 范数测度。相比之下，动态时间变形 (DTW) 作为时序领域中更合适且广泛采用的相似度度量，能够考虑时序对齐并对时序变化保持鲁棒性。迄今为止，尚无在该度量下提供可认证鲁棒性保证的时序异常检测方法。本文首次引入基于 DTW 的认证鲁棒防御，通过将 范数与 DTW 距离通过下界变换进行桥接，实现了对时序异常检测的可认证鲁棒性。广泛的实验在各种数据集和模型上验证了该理论方法的有效性和实用性。结果显示，在 DTW 基于对抗攻击下，相较于传统认证模型，F1 分数提升了最高可达18.7%。
引用
@article{arxiv.2605.07690,
title = {Fortifying Time Series: DTW-Certified Robust Anomaly Detection},
author = {Shijie Liu and Tansu Alpcan and Christopher Leckie and Sarah Erfani},
journal= {arXiv preprint arXiv:2605.07690},
year = {2026}
}