論文の概要: Adversarial Attacks on Probabilistic Autoregressive Forecasting Models

• arxiv url: http://arxiv.org/abs/2003.03778v1
• Date: Sun, 8 Mar 2020 13:08:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 14:08:12.327601
• Title: Adversarial Attacks on Probabilistic Autoregressive Forecasting Models
• Title（参考訳）: 確率的自己回帰予測モデルに対する敵対的攻撃
• Authors: Rapha\"el Dang-Nhu, Gagandeep Singh, Pavol Bielik, Martin Vechev
• Abstract要約: 我々は、単一値の列ではなく確率分布の列を出力するニューラルネットワークに対する効果的な逆攻撃を生成する。 提案手法は,2つの課題において,入力摂動の少ない攻撃を効果的に生成できることを実証する。
• 参考スコア（独自算出の注目度）: 7.305979446312823
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We develop an effective generation of adversarial attacks on neural models that output a sequence of probability distributions rather than a sequence of single values. This setting includes the recently proposed deep probabilistic autoregressive forecasting models that estimate the probability distribution of a time series given its past and achieve state-of-the-art results in a diverse set of application domains. The key technical challenge we address is effectively differentiating through the Monte-Carlo estimation of statistics of the joint distribution of the output sequence. Additionally, we extend prior work on probabilistic forecasting to the Bayesian setting which allows conditioning on future observations, instead of only on past observations. We demonstrate that our approach can successfully generate attacks with small input perturbations in two challenging tasks where robust decision making is crucial: stock market trading and prediction of electricity consumption.
• Abstract（参考訳）: 我々は、単一値の列ではなく確率分布の列を出力するニューラルネットワークに対する効果的な逆攻撃を生成する。 この設定は、最近提案された深い確率的自己回帰予測モデルを含み、過去の時系列の確率分布を推定し、様々なアプリケーションドメインで最新の結果を達成する。 私たちが取り組む重要な技術的課題は、出力列のジョイント分布の統計量のモンテカルロ推定を通じて効果的に分化することである。 さらに,過去の観測に留まらず,将来の観測の条件付けを可能にするベイズ設定まで,確率的予測に関する先行研究を拡大する。 当社のアプローチは,頑健な意思決定が不可欠である2つの課題 – 株式取引と電力消費予測 – において,少ない入力摂動による攻撃をうまく生成できることを実証する。

関連論文リスト

• Conformalised Conditional Normalising Flows for Joint Prediction Regions in time series [7.200880964149064]
  Conformal Predictionは、機械学習モデルの不確実性を定量化する強力なフレームワークを提供する。 正規化フローのような確率的生成モデルに共形予測を適用することは簡単ではない。 本研究では,条件付き正規化フローを適合させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-26T02:19:13Z)
• Elucidating the Design Choice of Probability Paths in Flow Matching for Forecasting [44.24834367720476]
  フローマッチングは、最近、強力なパラダイム生成モデリングとして登場した。 本研究では,フローマッチングを伴う時間的予測データが,確率パスモデルの選択に非常に敏感であることを示す。 そこで本研究では,予測性能向上のための新しい確率パスモデルを提案する。
  論文  参考訳（メタデータ） (2024-10-04T08:34:14Z)
• Conformal Generative Modeling with Improved Sample Efficiency through Sequential Greedy Filtering [55.15192437680943]
  生成モデルは出力に対する厳密な統計的保証を欠いている。 厳密な統計的保証を満たす予測セットを生成する逐次共形予測法を提案する。 このことは、高い確率で予測セットが少なくとも1つの許容可能な(または有効な)例を含むことを保証している。
  論文  参考訳（メタデータ） (2024-10-02T15:26:52Z)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Probabilistic Forecasting with Generative Networks via Scoring Rule Minimization [5.5643498845134545]
  生成ニューラルネットワークを用いて高次元空間上の分布をパラメトリズする。 生成ネットワークをトレーニングし、関心の現象の時間的シーケンスの記録に基づいて、予測順序(または前順序)のスコアリングルールを最小化する。 本手法は,特に確率的キャリブレーションにおいて,最先端の対角法よりも優れている。
  論文  参考訳（メタデータ） (2021-12-15T15:51:12Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Probabilistic multivariate electricity price forecasting using implicit generative ensemble post-processing [0.0]
  我々は、多変量電力価格シナリオを生成するために、点予測モデルのアンサンブルに基づく、可能性のない暗黙的生成モデルを使用する。 我々のアンサンブル後処理法は、確立されたモデル組合せベンチマークより優れている。 我々の手法はドメイン固有のエキスパートモデルの集合の上で機能するため、他の予測タスクに容易にデプロイできる。
  論文  参考訳（メタデータ） (2020-05-27T15:22:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。