单变量时间序列数据上的 Wasserstein 对抗样本

对抗样本通过对正常样本添加难以区分的扰动来欺骗训练良好的深度学习模型使其误分类。在计算机视觉中，这种不可区分性通常由 $L_{\infty}$ 或其他范数界定。然而，这些范数并不适合度量时间序列数据的不可区分性。本文首次提出时间序列数据在 Wasserstein 空间中的对抗样本，并利用 Wasserstein 距离来约束正常样本与对抗样本之间的扰动。我们引入 Wasserstein 投影梯度下降（WPGD），一种用于扰动单变量时间序列数据的对抗攻击方法。我们利用一维空间中 Wasserstein 距离的闭式解，通过梯度下降法高效计算 WPGD 的投影步。我们进一步提出两步投影，使 Wasserstein 空间中的对抗样本搜索由欧氏范数引导和约束，以产生更有效且不易察觉的扰动。我们在医疗领域的若干时间序列数据集上对所提攻击进行实证评估。广泛结果表明 Wasserstein 攻击具有强大威力，能以高攻击成功率成功攻击大多数目标分类器。为更好研究 Wasserstein 对抗样本的本质，我们评估了一种名为 Wasserstein 平滑的强防御机制作为潜在的认证鲁棒性防御。尽管该防御能取得一定准确率提升，但在许多情况下仍有局限，为开发更强的认证鲁棒性方法以防御单变量时间序列数据上的 Wasserstein 对抗样本留下空间。