SWAP：利用第二排名对数几率对时间序列进行对抗攻击
机器学习
2023-09-07 v1 人工智能
密码学与安全
摘要
时间序列分类（TSC）已成为多个领域中的关键任务，深度神经模型在 TSC 任务中表现出优越性能。然而，这些模型易受对抗攻击，细微扰动即可显著影响预测结果。现有对抗方法常受过度参数化或随机对数几率扰动的困扰，限制了其有效性。此外，提高攻击成功率（ASR）通常需生成更多噪声，使攻击更易被检测。为克服这些局限，我们提出 SWAP，一种针对 TSC 模型的新型攻击方法。SWAP 专注于增强第二排名对数几率（logits）的置信度，同时最小化对其他对数几率的操控。这通过最小化目标对数几率分布与预测对数几率分布之间的 Kullback-Leibler 散度实现。实验结果表明，SWAP 达到了最先进（SOTA）性能，ASR 超过 50%，较现有方法提升 18%。
引用
@article{arxiv.2309.02752,
title = {SWAP: Exploiting Second-Ranked Logits for Adversarial Attacks on Time Series},
author = {Chang George Dong and Liangwei Nathan Zheng and Weitong Chen and Wei Emma Zhang and Lin Yue},
journal= {arXiv preprint arXiv:2309.02752},
year = {2023}
}
备注
10 pages, 8 figures