ReLATE+：面向时间序列分类的对抗攻击检测、分类与鲁棒模型选择统一框架
密码学与安全
2025-08-28 v1
摘要
降低时间序列分类中深度学习模型的计算开销具有挑战，由于模型架构复杂且需实时处理大量序列数据。对抗攻击进一步加剧了这一挑战，要求鲁棒方法以确保稳健性能和高效模型选择。为此，我们提出 ReLATE+，一个综合框架，用于检测和分类对抗攻击，基于数据集相似性自适应选择深度学习模型，从而显著降低相较于不利用先验知识的常规方法的重训练成本，同时保持卓越性能。ReLATE+ 首先检查输入数据是否为对抗样本，若是则分类攻击类型，以此识别存储库中相似数据集并复用最佳关联模型。该方法在保持强性能的同时减少重训练需求，跨域表现良好，适用于数据分布和特征空间不同的场景。实验表明，ReLATE+ 将计算开销降低平均 77.68%，提升对抗鲁棒性，实现高效鲁棒模型选择，性能仅落后于 Oracle 0.02%。
引用
@article{arxiv.2508.19456,
title = {ReLATE+: Unified Framework for Adversarial Attack Detection, Classification, and Resilient Model Selection in Time-Series Classification},
author = {Cagla Ipek Kocal and Onat Gungor and Tajana Rosing and Baris Aksanli},
journal= {arXiv preprint arXiv:2508.19456},
year = {2025}
}
备注
Under review at IEEE TSMC Journal. arXiv admin note: text overlap with arXiv:2503.07882