ODE 引导的时序数据神经数据增强技术及其在鲁棒性上的收益
机器学习
2020-09-29 v3 机器学习
摘要
探索对抗攻击向量并研究其对机器学习算法的影响一直是研究者们关注的问题。在此背景下，处理时间序列数据的深度神经网络相比其图像对应物受到的关注较少。在最近的一项发现中，揭示出当前最先进的时间序列深度学习分类器易受对抗攻击。在本文中，我们引入了两种基于局部梯度和一种基于谱密度的时间序列数据增强技术。我们表明，使用我们的技术所获得的数据训练的模型在各种时间序列基准上取得了最先进的分类准确率。此外，它提升了模型针对一些最常见损坏技术（如快速梯度符号法（FGSM）和基础迭代法（BIM））的鲁棒性。
引用
@article{arxiv.1910.06813,
title = {ODE guided Neural Data Augmentation Techniques for Time Series Data and its Benefits on Robustness},
author = {Anindya Sarkar and Anirudh Sunder Raj and Raghu Sesha Iyengar},
journal= {arXiv preprint arXiv:1910.06813},
year = {2020}
}
备注
8 pages, 5 figures, International Conference on Machine Learning and Applications