基于对抗攻击与防御的时间序列模型脆弱性与鲁棒性研究
机器学习
2023-01-11 v1 人工智能
密码学与安全
摘要
在对抗攻击下，时间序列回归与分类是脆弱的。而对抗防御可使模型更具韧性。评估不同时间序列模型对攻击的脆弱程度以及借助防御的恢复情况十分重要。本研究考察了若干时间序列模型对各种攻击的敏感度及使用防御的鲁棒性。实验在七个时间序列模型上运行，采用三种对抗攻击与一种对抗防御。根据发现，所有模型（尤其是 GRU 与 RNN）似乎均脆弱。LSTM 与 GRU 也具有更好的防御恢复能力。FGSM 在攻击方面超越其他对手。PGD 攻击比其他类型攻击更难恢复。
引用
@article{arxiv.2301.03703,
title = {On the Susceptibility and Robustness of Time Series Models through Adversarial Attack and Defense},
author = {Asadullah Hill Galib and Bidhan Bashyal},
journal= {arXiv preprint arXiv:2301.03703},
year = {2023}
}
备注
8 pages, 3 figures, 7 tables