Fugu-MT 論文翻訳(概要): Adversarial Framework with Certified Robustness for Time-Series Domain via Statistical Features

論文の概要: Adversarial Framework with Certified Robustness for Time-Series Domain via Statistical Features

arxiv url: http://arxiv.org/abs/2207.04307v1
Date: Sat, 9 Jul 2022 17:22:34 GMT
ステータス: 処理完了
システム内更新日: 2022-07-13 10:15:56.051682
Title: Adversarial Framework with Certified Robustness for Time-Series Domain via Statistical Features
Title（参考訳）: 統計的特徴を用いた時間系列領域のロバスト性証明付き逆数フレームワーク
Authors: Taha Belkhouja, Janardhan Rao Doppa
Abstract要約: 時系列データは、多くの現実世界のアプリケーション(例えば、モバイルヘルス)やディープニューラルネットワーク(DNN)で発生し、その解決に大きな成功を収めている。本稿では,STAT(TSA-STAT)を介して時系列攻撃(Time-Series Attacks)と呼ばれる,新たな敵対的フレームワークを提案する。
参考スコア（独自算出の注目度）: 26.208463823851435
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Time-series data arises in many real-world applications (e.g., mobile health) and deep neural networks (DNNs) have shown great success in solving them. Despite their success, little is known about their robustness to adversarial attacks. In this paper, we propose a novel adversarial framework referred to as Time-Series Attacks via STATistical Features (TSA-STAT)}. To address the unique challenges of time-series domain, TSA-STAT employs constraints on statistical features of the time-series data to construct adversarial examples. Optimized polynomial transformations are used to create attacks that are more effective (in terms of successfully fooling DNNs) than those based on additive perturbations. We also provide certified bounds on the norm of the statistical features for constructing adversarial examples. Our experiments on diverse real-world benchmark datasets show the effectiveness of TSA-STAT in fooling DNNs for time-series domain and in improving their robustness. The source code of TSA-STAT algorithms is available at https://github.com/tahabelkhouja/Time-Series-Attacks-via-STATistical-Features
Abstract（参考訳）: 時系列データは、多くの現実世界のアプリケーション(例えばモバイルヘルス)やディープニューラルネットワーク(DNN)で発生し、その解決に大きな成功を収めている。その成功にもかかわらず、敵の攻撃に対する強固さについてはほとんど知られていない。本稿では,統計的特徴量(tsa-stat)を用いた時系列攻撃と呼ばれる新しい敵対的枠組みを提案する。 TSA-STATは、時系列データの統計的特徴に制約を課し、敵対的な例を構築する。最適化多項式変換は、加法摂動に基づく攻撃よりも効果的(DNNを騙すことに成功)な攻撃を生成するために用いられる。また,実例構築のための統計的特徴のノルムに関する認定限界も提示する。実世界の様々なベンチマークデータセットに対する実験は、時系列領域のDNNを騙し、その堅牢性を改善する上で、TSA-STATの有効性を示す。 TSA-STATアルゴリズムのソースコードはhttps://github.com/tahabelkhouja/Time-Series-Attacks-via-STATistical-Featuresで公開されている。

関連論文リスト

TSI-Bench: Benchmarking Time Series Imputation [52.27004336123575]
TSI-Benchは、ディープラーニング技術を利用した時系列計算のための総合ベンチマークスイートである。 TSI-Benchパイプラインは、実験的な設定を標準化し、計算アルゴリズムの公平な評価を可能にする。 TSI-Benchは、計算目的のために時系列予測アルゴリズムを調整するための体系的なパラダイムを革新的に提供する。
論文参考訳（メタデータ） (2024-06-18T16:07:33Z)
MedBN: Robust Test-Time Adaptation against Malicious Test Samples [11.397666167665484]
テスト時間適応(TTA)は、トレーニングデータとテストデータの間の予期せぬ分散シフトによるパフォーマンス劣化に対処する、有望なソリューションとして登場した。以前の研究では、テストバッチのごく一部が不正に操作された場合でも、TTA内のセキュリティ脆弱性が明らかになった。テスト時間推論におけるバッチ正規化層内の統計量推定に中央値のロバスト性を利用する中央値バッチ正規化(MedBN)を提案する。
論文参考訳（メタデータ） (2024-03-28T11:33:02Z)
State Sequences Prediction via Fourier Transform for Representation Learning [111.82376793413746]
本研究では,表現表現を効率よく学習する新しい方法である,フーリエ変換(SPF)による状態列予測を提案する。本研究では,状態系列における構造情報の存在を理論的に解析する。実験により,提案手法はサンプル効率と性能の両面で,最先端のアルゴリズムよりも優れていることが示された。
論文参考訳（メタデータ） (2023-10-24T14:47:02Z)
UniTime: A Language-Empowered Unified Model for Cross-Domain Time Series Forecasting [59.11817101030137]
この研究はドメイン境界を超越する統一モデルパラダイムを提唱する。効果的なクロスドメインモデルを学ぶことは、以下の課題を提示します。効果的なドメイン間時系列学習のためのUniTimeを提案する。
論文参考訳（メタデータ） (2023-10-15T06:30:22Z)
TeST: Test-time Self-Training under Distribution Shift [99.68465267994783]
Test-Time Self-Training (TeST)は、あるソースデータとテスト時の新しいデータ分散に基づいてトレーニングされたモデルを入力する技術である。また,TeSTを用いたモデルでは,ベースラインテスト時間適応アルゴリズムよりも大幅に改善されていることがわかった。
論文参考訳（メタデータ） (2022-09-23T07:47:33Z)
Dynamic Time Warping based Adversarial Framework for Time-Series Domain [32.45387153404849]
適応ロバストネスのための動的時間ウォーピング(DTW-AR)と呼ばれる時系列領域のための新しいフレームワークを提案する。理論解析によって正当化された原理的アルゴリズムを開発し、ランダムなアライメントパスを用いて、多様な逆例を効率的に生成する。多様な実世界のベンチマーク実験では、DTW-ARが時系列データに対してDNNを騙し、敵の訓練によってその堅牢性を向上させることが示されている。
論文参考訳（メタデータ） (2022-07-09T17:23:00Z)
SAITS: Self-Attention-based Imputation for Time Series [6.321652307514677]
SAITSは時系列における値計算の欠落に対する自己注意機構に基づく新しい手法である。斜めにマスキングされた2つの自己注意ブロックの重み付けされた組み合わせから、欠落した値を学ぶ。テストの結果、SAITSは時系列計算タスクにおける最先端の手法を効率よく上回ることが示された。
論文参考訳（メタデータ） (2022-02-17T08:40:42Z)
Networked Time Series Prediction with Incomplete Data [59.45358694862176]
我々は、歴史と未来の両方で欠落した値を持つ不完全なデータでトレーニングできる新しいディープラーニングフレームワークであるNetS-ImpGANを提案する。 3つの実世界のデータセットに対して、異なるパターンと欠落率で広範な実験を行う。
論文参考訳（メタデータ） (2021-10-05T18:20:42Z)
TE-ESN: Time Encoding Echo State Network for Prediction Based on Irregularly Sampled Time Series Data [6.221375620565451]
不規則サンプリング時系列(ISTS)に基づく予測は、現実世界の応用において広く懸念されている。 Time Echo State Network(TE-ESN)という新しいモデル構造を作成します。 ISTSデータを処理できる最初のESNsベースのモデルである。 1つのカオスシステムと3つの実世界のデータセットの実験は、TE-ESNがすべてのベースラインよりも優れたパフォーマンスを示している。
論文参考訳（メタデータ） (2021-05-02T08:00:46Z)
Interpretable Feature Construction for Time Series Extrinsic Regression [0.028675177318965035]
一部のアプリケーション領域では、対象変数が数値であり、その問題は時系列外部回帰(TSER)として知られている。 TSERの文脈における頑健で解釈可能な特徴構築と選択のためのベイズ法の拡張を提案する。私たちのアプローチは、TSERに取り組むためのリレーショナルな方法を利用します:(i)、リレーショナルデータスキームに格納されている時系列の多様で単純な表現を構築し、(ii)二次テーブルからデータを「フラット化」するために解釈可能な機能を構築するためにプロポジション化技術を適用します。
論文参考訳（メタデータ） (2021-03-15T08:12:19Z)
TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。