定向操控：基于斜率的金融时间序列攻击方法
机器学习
2025-11-25 v1
摘要
一种攻击深度学习模型的常见方法是通过对抗攻击，即攻击者专门修改模型的输入以产生不正确的结果。对抗攻击在图像领域已被深入研究；然而，在时间序列领域研究较少，对于预测金融数据的研究更是少之又少。为了解决这些问题，本研究旨在通过在时间序列数据的对抗攻击研究基础上引入两种新的基于斜率的方法，以改变 N-HiTS 模型生成的预测股票趋势。与正常的 N-HiTS 预测相比，两种新的基于斜率的方法——广义斜率攻击和最小二乘斜率攻击——可以将 N-HiTS 预测的斜率翻倍。这些新的斜率攻击可以绕过标准的安全机制，例如过滤真实和扰动输入的判别器，将一个 4 层 CNN 的特异性降低到 28%，准确率降低到 57%。此外，基于斜率的方法被纳入 GAN 架构中，作为生成逼真合成数据的手段，同时欺骗模型。最后，本文还提出了一种示例恶意软件，旨在将对抗攻击注入模型推理库，证明机器学习安全研究不仅应关注使模型安全，还应保护整个管道。
引用
@article{arxiv.2511.19330,
title = {Targeted Manipulation: Slope-Based Attacks on Financial Time-Series Data},
author = {Dominik Luszczynski},
journal= {arXiv preprint arXiv:2511.19330},
year = {2025}
}
备注
13 pages, 6 figures, 4 tables, preprint; Total including Appendix: 21 pages, 11 figures, 7 tables