针对对抗攻击的多变量时间序列分类的鲁棒学习器选择框架 ReLATE
机器学习
2025-03-12 v1 密码学与安全
摘要
在时间序列分类中，尤其是在深度学习模型中，最小化计算开销是一个显著的挑战。这一挑战因对抗攻击的存在而进一步加剧，凸显了需要确保鲁棒性能和高效模型选择的鲁棒方法。我们引入 ReLATE 框架，该框架基于数据相似性识别鲁棒学习器，减少计算开销，并增强鲁棒性。ReLATE 在众多已知对抗攻击情景下维持多个深度学习模型，捕获模型性能。ReLATE 通过相似度度量标准识别给定目标最相似的数据集，然后应用来自最相似数据集的优化模型。ReLATE 通过平均降低 81.2% 的计算开销，增强对抗鲁棒性，同时在不牺牲性能的情况下（在 4.2% 的 Oracle 误差范围内），简化了鲁棒模型选择。
引用
@article{arxiv.2503.07882,
title = {ReLATE: Resilient Learner Selection for Multivariate Time-Series Classification Against Adversarial Attacks},
author = {Cagla Ipek Kocal and Onat Gungor and Aaron Tartz and Tajana Rosing and Baris Aksanli},
journal= {arXiv preprint arXiv:2503.07882},
year = {2025}
}
备注
Accepted by the AAAI-25 Workshop on Artificial Intelligence for Time Series Analysis (AI4TS)