Fugu-MT 論文翻訳(概要): Temporally Unified Adversarial Perturbations for Time Series Forecasting

論文の概要: Temporally Unified Adversarial Perturbations for Time Series Forecasting

arxiv url: http://arxiv.org/abs/2602.11940v1
Date: Thu, 12 Feb 2026 13:37:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-13 21:07:25.840276
Title: Temporally Unified Adversarial Perturbations for Time Series Forecasting
Title（参考訳）: 時系列予測のための時間的に統一された対向的摂動
Authors: Ruixian Su, Yukun Bao, Xinze Zhang,
Abstract要約: 重なり合うサンプルのタイムスタンプ毎に同一の摂動を確保するため, TUAP(Temporally Unified Adversarial Perturbations)を導入する。また,TUAPを効果的に生成するためのモジュール的かつ効率的なアプローチを提供する,TGAM(Timestamp-wise Gradient Accumulation Method)を提案する。提案手法は, ホワイトボックスおよびブラックボックス転送攻撃シナリオにおいて, ベースラインを著しく上回っている。
参考スコア（独自算出の注目度）: 1.9116784879310027
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: While deep learning models have achieved remarkable success in time series forecasting, their vulnerability to adversarial examples remains a critical security concern. However, existing attack methods in the forecasting field typically ignore the temporal consistency inherent in time series data, leading to divergent and contradictory perturbation values for the same timestamp across overlapping samples. This temporally inconsistent perturbations problem renders adversarial attacks impractical for real-world data manipulation. To address this, we introduce Temporally Unified Adversarial Perturbations (TUAPs), which enforce a temporal unification constraint to ensure identical perturbations for each timestamp across all overlapping samples. Moreover, we propose a novel Timestamp-wise Gradient Accumulation Method (TGAM) that provides a modular and efficient approach to effectively generate TUAPs by aggregating local gradient information from overlapping samples. By integrating TGAM with momentum-based attack algorithms, we ensure strict temporal consistency while fully utilizing series-level gradient information to explore the adversarial perturbation space. Comprehensive experiments on three benchmark datasets and four representative state-of-the-art models demonstrate that our proposed method significantly outperforms baselines in both white-box and black-box transfer attack scenarios under TUAP constraints. Moreover, our method also exhibits superior transfer attack performance even without TUAP constraints, demonstrating its effectiveness and superiority in generating adversarial perturbations for time series forecasting models.
Abstract（参考訳）: ディープラーニングモデルは時系列予測において顕著に成功したが、敵の例に対する脆弱性は依然として重要なセキュリティ上の懸念である。しかし、予測分野における既存の攻撃手法は、典型的には時系列データに固有の時間的一貫性を無視し、重なり合うサンプルに対して同じタイムスタンプに対して発散し、矛盾する摂動値をもたらす。この時間的に一貫性のない摂動問題は、現実世界のデータ操作において敵の攻撃を非現実的にする。これを解決するために,時間的統一化制約を適用したTUAP(Temporally Unified Adversarial Perturbations)を導入する。さらに,重なり合うサンプルから局所勾配情報を集約することにより,TUAPを効果的に生成するためのモジュール的かつ効率的なアプローチを提供する,TGAM(Timestamp-wise Gradient Accumulation Method)を提案する。 TGAMと運動量に基づく攻撃アルゴリズムを統合することにより、直列レベルの勾配情報をフル活用しながら厳密な時間的整合性を確保し、対向摂動空間を探索する。 3つのベンチマークデータセットと4つの代表的な最先端モデルに関する総合的な実験により、提案手法はTUAP制約下でのホワイトボックスおよびブラックボックス転送攻撃シナリオにおいて、ベースラインを著しく上回ることを示した。さらに,本手法はTUAP制約なしでも優れた転送攻撃性能を示し,時系列予測モデルに対する逆摂動生成の有効性と優位性を示した。

関連論文リスト

UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2025-12-08T05:36:14Z)
TIMED: Adversarial and Autoregressive Refinement of Diffusion-Based Time Series Generation [0.31498833540989407]
TIMEDは、フォワード-リバース拡散プロセスを通じてグローバル構造をキャプチャする統合生成フレームワークである。特徴空間における実および合成分布をさらに整合させるため、TIMEDは最大平均離散性(MMD)損失を取り入れている。我々は、TIMEDが最先端の生成モデルよりも現実的で時間的に一貫性のあるシーケンスを生成することを示す。
論文参考訳（メタデータ） (2025-09-23T23:05:40Z)
Understanding the Limits of Deep Tabular Methods with Temporal Shift [28.738848567072004]
本稿では,Fourier級数展開に基づく時間的組込み手法を提案し,時間的パターンを学習し,組み込む。我々の実験は、この時間的埋め込みと改良されたトレーニングプロトコルを組み合わせることで、時間的データから学習するためのより効果的で堅牢なフレームワークが提供されることを示した。
論文参考訳（メタデータ） (2025-02-27T16:48:53Z)
Augmented Contrastive Clustering with Uncertainty-Aware Prototyping for Time Series Test Time Adaptation [28.793983148042134]
テストタイム適応は、推論中にオンラインの未ラベルのテストデータのみを使用して、トレーニング済みのディープニューラルネットワークに適応することを目的としている。既存のTTA手法は、もともと視覚タスク用に設計されたもので、実世界の時系列データの複雑な時間的ダイナミクスを効果的に扱えない可能性がある。本稿では,時系列データに対する単純かつ効果的なTTA手法であるACCUP(Augmented Contrastive Clustering with Uncertainty-aware Prototyping)を提案する。
論文参考訳（メタデータ） (2025-01-01T11:45:17Z)
Generative Regression Based Watch Time Prediction for Short-Video Recommendation [36.95095097454143]
短いビデオレコメンデーションシステムでは、時計の時間予測が重要なタスクとして現れている。最近の研究は、連続時計時間推定を正規回帰タスクに変換することによって、これらの問題に対処しようとしている。本稿では,WTPをシーケンス生成タスクとして再構成する新しい生成回帰(GR)フレームワークを提案する。
論文参考訳（メタデータ） (2024-12-28T16:48:55Z)
Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文参考訳（メタデータ） (2023-11-27T13:14:06Z)
Time-series Generation by Contrastive Imitation [87.51882102248395]
モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
論文参考訳（メタデータ） (2023-11-02T16:45:25Z)
CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
論文参考訳（メタデータ） (2023-08-18T04:45:56Z)
Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文参考訳（メタデータ） (2023-01-08T12:20:46Z)
Practical Adversarial Attacks on Spatiotemporal Traffic Forecasting Models [9.885060319609831]
既存の手法は信頼性が高く偏りのない予測環境を前提としており、必ずしも野生では利用できない。我々は,すべてのデータソースを同時に攻撃する代わりに,現実的な敵攻撃フレームワークを提案する。理論的には、敵の交通予測攻撃の最悪の性能境界を実証する。
論文参考訳（メタデータ） (2022-10-05T02:25:10Z)

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。