TimeGuard：面向时间序列预测的通道级池训练后门防御

时间序列预测（TSF）高度易受到后门攻击，但有效的防御方法鲜有探索，由于数据 entanglement 和任务表述转移带来的挑战。为填补这一空白，我们系统评估了十三种代表性后门防御方法，涵盖 TSF 生命周期并分析其失败模式。我们的结果揭示了两个根本问题：（1）数据 entanglement 导致通道级信号稀释，使样本过滤和 trigger-synthesis 防御无法在局部定位后门；（2）任务表述转移导致训练损失退化，使受毒化和干净窗口在训练阶段难以区分。基于这些发现，我们提出一种用于 TSF 的训练时后门防御，称为 TimeGuard。我们的方法以通道级池训练为核心范式，并通过 time-aware 标准化初始化高置信度池，以缓解信号稀释。此外，我们引入距离正则化损失选择，以在训练期间逐步扩大可靠池并缓解损失退化。广泛的实验在多个数据集、预测架构和 TSF 后门攻击上表明，TimeGuard 在鲁棒性方面显著提升，将 $\mathrm{MAE}_\mathrm{P}$ 提升 $1.96\times$ 相对于领先基准，同时在干净性能方面保持在 5% $\mathrm{MAE}_\mathrm{C}$ 以内。