随着深度学习模型逐渐成为时间序列预测的主要主力,因此,对抗性攻击下对预测和决策系统的潜在脆弱性已成为近年来的主要问题。尽管对单变量时间序列的预测开始研究这种行为和防御机制,但关于多变量预测的研究仍然很少,由于其在不同时间序列之间编码相关性的能力,通常是优选的。在这项工作中,我们考虑到攻击预算约束和多个时间序列之间的相关结构,研究和设计对多元概率预测模型的对抗性攻击。具体而言,我们研究了稀疏的间接攻击,该攻击仅通过攻击少数其他项目的历史来节省攻击成本,从而损害了项目(时间序列)的预测(时间序列)。为了打击这些攻击,我们还制定了两种防御策略。首先,我们采用随机平滑度到多元时间序列方案,并通过经验实验验证其有效性。其次,我们利用稀疏的攻击者来实现端到端的对抗训练,从而提供强大的概率预测者。对REAL数据集进行的广泛实验证实,与其他基线防御机制相比,我们的攻击方案具有强大的功能,并且我们的防御算法更有效。
translated by 谷歌翻译