当融合有帮助且当它破坏：基于金融影像的同源多视图学习中的视图对齐鲁棒性
机器学习
2026-02-26 v2 统计金融
摘要
我们研究同源多视图学习和针对下一日方向预测的对抗鲁棒性，涉及两个确定性、窗口对齐的图像视图：来自同一时间序列的 OHLCV 渲染图（ohlcv）和技术指标矩阵（indic）。为控制来自接近零移动的标签歧义，我们使用基于实现绝对次日收益的 ex-post 最小运动阈值 min_move（tau）定义离线基准，仅针对绝对次日收益至少为 tau 的子集。我们在防泄漏的时间块划分中比较 early fusion（通道堆叠）和 dual-encoder late fusion，并可选地引入跨分支一致性。随后我们评估像空间 L-∞ 对抗攻击（FGSM/PGD）在受视图约束和联合威胁模型下的鲁棒性。我们发现融合是情景依赖的：在较噪声的环境中，early fusion 可能导致负迁移，而 late fusion 在标签稳定后更可靠。鲁棒性在小预算下会急剧下降，存在视图依赖的脆弱性；late fusion 在受视图约束的攻击中通常有帮助，但联合扰动仍具挑战性。
引用
@article{arxiv.2602.11020,
title = {When Fusion Helps and When It Breaks: View-Aligned Robustness in Same-Source Financial Imaging},
author = {Rui Ma},
journal= {arXiv preprint arXiv:2602.11020},
year = {2026}
}
备注
Added sensitivity analysis at tau=0.008 for adversarial robustness; corrected the author affiliation