論文の概要: INTARG: Informed Real-Time Adversarial Attack Generation for Time-Series Regression

• arxiv url: http://arxiv.org/abs/2604.11928v1
• Date: Mon, 13 Apr 2026 18:16:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.055076
• Title: INTARG: Informed Real-Time Adversarial Attack Generation for Time-Series Regression
• Title（参考訳）: INTARG: 時系列回帰のためのインフォームドリアルタイム敵攻撃生成
• Authors: Gamze Kirman Tokgoz, Onat Gungor, Tajana Rosing, Baris Aksanli,
• Abstract要約: 本稿では,オンライン境界バッファ設定下での時系列予測に対する逆攻撃フレームワークを提案する。 我々のフレームワークは、予測エラーを2.42倍にし、10%未満の時間ステップで攻撃を行うことができる。
• 参考スコア（独自算出の注目度）: 9.085996862368576
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-series forecasting aims to predict future values by modeling temporal dependencies in historical observations. It is a critical component of many real-world systems, where accurate forecasts improve operational efficiency and help mitigate uncertainty and risk. More recently, machine learning (ML), and especially deep learning (DL)-based models, have gained widespread adoption for time-series forecasting, but they remain vulnerable to adversarial attacks. However, many state-of-the-art attack methods are not directly applicable in time-series settings, where storing complete historical data or performing attacks at every time step is often impractical. This paper proposes an adversarial attack framework for time-series forecasting under an online bounded-buffer setting, leveraging an informed and selective attack strategy. By selectively targeting time steps where the model exhibits high confidence and the expected prediction error is maximal, our framework produces fewer but substantially more effective attacks. Experiments show that our framework can increase the prediction error up to 2.42x, while performing attacks in fewer than 10% of time steps.
• Abstract（参考訳）: 時系列予測は、過去の観測における時間的依存関係をモデル化することにより、将来の価値を予測することを目的としている。 正確な予測によって運用効率が向上し、不確実性とリスクを軽減できる。 最近では、機械学習(ML)、特にディープラーニング(DL)ベースのモデルは、時系列予測に広く採用されているが、敵の攻撃に弱いままである。 しかし、多くの最先端攻撃手法は時系列設定では直接適用されず、完全な履歴データを保存したり、各ステップで攻撃を実行することは現実的ではないことが多い。 本稿では,オンライン境界バッファ設定下での時系列予測に対する逆攻撃フレームワークを提案し,情報および選択的攻撃戦略を活用する。 モデルが高い信頼性を示し、予測誤差が最大である時間ステップを選択的にターゲットすることで、我々のフレームワークはより少ないがより効果的に攻撃を発生させる。 実験の結果、我々のフレームワークは予測誤差を2.42倍にし、10%未満の時間ステップで攻撃を行うことができた。

関連論文リスト

• Accuracy Law for the Future of Deep Time Series Forecasting [65.46625911002202]
  時系列予測は、部分的に観測可能で不確実な性質のため、本質的にゼロでない誤差の低い境界に直面する。 本稿では、ディープ時系列予測の性能上限をどうやって推定するかという根本的な問題に焦点をあてる。 新たに訓練された2,800以上の深層予測器の厳密な統計的テストに基づいて、深部モデルの最小予測誤差とウィンドウワイズ級数パターンの複雑さとの間に有意な指数関数的関係を見出した。
  論文  参考訳（メタデータ） (2025-10-03T05:18:47Z)
• Privacy Risks in Time Series Forecasting: User- and Record-Level Membership Inference [2.5510639595356595]
  時系列予測のための2つの新しいメンバシップ推論攻撃を導入する。 我々はこれらの手法を、分類設定による他の主要な攻撃の適応バージョンに対してベンチマークする。 以上の結果から,予測モデルには脆弱性があり,ユーザレベルの攻撃が検出に有効であることが示唆された。
  論文  参考訳（メタデータ） (2025-09-04T12:43:45Z)
• Fre-CW: Targeted Attack on Time Series Forecasting using Frequency Domain Loss [12.054571474020804]
  本稿では,周波数領域損失に基づく時系列予測攻撃アルゴリズムを提案する。 我々の知る限り、時系列敵攻撃における周波数情報の利用に関する関連する研究は存在しない。
  論文  参考訳（メタデータ） (2025-08-12T14:12:58Z)
• Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
  本稿では,長期時系列予測のための制約付き学習手法を提案する。 提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-14T18:20:44Z)
• Performative Time-Series Forecasting [64.03865043422597]
  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)
• Targeted Attacks on Timeseries Forecasting [0.6719751155411076]
  本稿では,時系列予測モデルに対する指向性,振幅性,時間的標的攻撃の新たな定式化を提案する。 これらの攻撃は、出力予測の振幅と方向に特定の影響を与える。 実験結果から,時系列モデルに対する標的攻撃が有効であり,統計的類似性の観点からもより強力であることが示唆された。
  論文  参考訳（メタデータ） (2023-01-27T06:09:42Z)
• Robust Multivariate Time-Series Forecasting: Adversarial Attacks and Defense Mechanisms [17.75675910162935]
  新しい攻撃パターンは、ターゲット時系列の予測に悪影響を及ぼす。 我々は、このような攻撃の影響を軽減するための2つの防衛戦略を開発する。 実世界のデータセットの実験では、攻撃方式が強力であることを確認しています。
  論文  参考訳（メタデータ） (2022-07-19T22:00:41Z)
• 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)

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。