面向时间序列预测的时间统一对抗扰动
机器学习
2026-02-13 v1
摘要
尽管深度学习模型在时间序列预测中取得了显著成功，但它们对对抗样本的脆弱性仍然是一个关键的安全问题。然而，预测领域中现有的攻击方法通常忽略了时间序列数据固有的时间一致性，导致重叠样本中同一时间戳的扰动值出现分歧和矛盾。这种时间不一致的扰动问题使得对抗攻击在现实世界的数据操纵中不切实际。为解决此问题，我们引入了时间统一对抗扰动（TUAPs），它施加一个时间统一约束，以确保所有重叠样本中每个时间戳的扰动相同。此外，我们提出了一种新颖的时间戳梯度累积方法（TGAM），该方法通过聚合来自重叠样本的局部梯度信息，提供了一种模块化且高效的方式来有效生成TUAPs。通过将TGAM与基于动量的攻击算法相结合，我们在充分利用序列级梯度信息探索对抗扰动空间的同时，确保了严格的时间一致性。在三个基准数据集和四个代表性最先进模型上的全面实验表明，我们提出的方法在TUAP约束下的白盒和黑盒迁移攻击场景中均显著优于基线。此外，即使在没有TUAP约束的情况下，我们的方法也表现出优越的迁移攻击性能，证明了其在为时间序列预测模型生成对抗扰动方面的有效性和优越性。
引用
@article{arxiv.2602.11940,
title = {Temporally Unified Adversarial Perturbations for Time Series Forecasting},
author = {Ruixian Su and Yukun Bao and Xinze Zhang},
journal= {arXiv preprint arXiv:2602.11940},
year = {2026}
}