論文の概要: GENADA: efficient generative time series adversarial attack framework

• arxiv url: http://arxiv.org/abs/2608.12535v1
• Date: Wed, 12 Aug 2026 19:08:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.312496
• Title: GENADA: efficient generative time series adversarial attack framework
• Title（参考訳）: genADA:効率的な生成時系列逆攻撃フレームワーク
• Abstract要約: 本稿では,1回の前方通過で直接知覚摂動を発生させる生成モデルを学習するジェネラティブ・アドリアック(GENADA)を提案する。 バリデーションは、時系列領域におけるいくつかのニューラルネットワークモデルとデータセットに対する攻撃を検討する。
• 参考スコア（独自算出の注目度）: 0.7493157444527366
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models are widely used for time series analysis in domains such as healthcare, finance, energy systems, and environmental monitoring. However, these models remain vulnerable to adversarial attacks, where small input perturbations cause severe degradation in predictive performance. Commonly used gradient-based attacks, iterative first-order methods, are computationally burdensome, as they repeatedly backpropagate through the victim model to compute input gradients during a number of iterative refinement steps. We propose a GENerative ADversarial Attack (GENADA) that learns a generative model to produce deceptive perturbations directly in a single forward pass and a procedure to train it. Variants include single-step and iterative generative attack schemes. The validation considers attacks on several neural models and datasets in the time-series domain, a controlled, low-dimensional setting. Empirically, GENADA achieves comparable attack quality to strong baselines while requiring less time to generate perturbations during inference.
• Abstract（参考訳）: ディープラーニングモデルは、医療、金融、エネルギーシステム、環境モニタリングといった分野における時系列分析に広く利用されている。 しかし、これらのモデルは、小さな入力摂動が予測性能を著しく低下させる敵攻撃に対して脆弱なままである。 一般的に用いられる勾配に基づく攻撃、反復的一階法は、反復的洗練されたステップで入力勾配を計算するために、被害者モデルを通して繰り返しバックプロパゲーションされるため、計算的に重荷となる。 本稿では,1つの前方パスで直接知覚摂動を発生させる生成モデルと,それを訓練するための手順を学習するジェネラティブ・アドバーサリアル・アタック(GENADA)を提案する。 変数には、単一ステップと反復的な生成攻撃スキームが含まれる。 バリデーションは、制御された低次元の設定である時系列領域における、いくつかのニューラルネットワークモデルとデータセットに対する攻撃を検討する。 実証的には、GENADAは強いベースラインに匹敵する攻撃品質を達成すると同時に、推論中に摂動を生成する時間も少なくなります。

関連論文リスト

• Defending against Model Extraction for GNNs with Model Reprogramming [57.82196268649236]
  グラフニューラルネットワーク(GNN)は、ML(Machine-Learning-as-a-Service)における高スループットアプリケーションのバックボーンとして機能する。 それでも、ブラックボックスのデプロイメントは、モデル抽出(ME)攻撃に晒される。 既存の防衛は「ユークリッドバイアス」に苦しむ セキュリティのためにモデル再プログラミングを再利用するプロアクティブディフェンスフレームワークであるGraphRPを提案する。
  論文  参考訳（メタデータ） (2026-08-11T23:20:15Z)
• Low Rank Adaptation for Adversarial Perturbation [50.24377354110586]
  Low-Rank Adaptation (LoRA) はLarge Language Models (LLM) のトレーニング効率を大幅に改善した。 逆方向の例の生成はモデルトレーニングに類似した最適化プロセスであるため、これは自然に疑問を提起する: 逆方向の摂動は同様の低ランク構造を示すか? 本稿では, 種々の攻撃手法, モデルアーキテクチャ, およびデータセットに関する理論的解析および広範な実証的研究を行い, 対向摂動が実際に低ランク構造を持つことを示す。
  論文  参考訳（メタデータ） (2026-04-30T06:38:28Z)
• INTARG: Informed Real-Time Adversarial Attack Generation for Time-Series Regression [9.085996862368576]
  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。
  論文  参考訳（メタデータ） (2026-04-13T18:16:39Z)
• Defending Against Frequency-Based Attacks with Diffusion Models [0.23020018305241333]
  拡散モデルは、画素単位の逆方向の摂動に対処するだけでなく、非逆方向のデータシフトに対処する上でも非常に有効であることが証明されている。 本研究は,低周波領域から高周波領域への多彩な歪みパターンの取り扱いの有効性を明らかにする。
  論文  参考訳（メタデータ） (2025-04-15T09:57:17Z)
• Revisiting Backdoor Attacks on Time Series Classification in the Frequency Domain [13.76843963426352]
  時系列分類(TSC)は現代のウェブアプリケーションの基盤となっている。 ディープニューラルネットワーク(DNN)は、臨界領域におけるTSCモデルの性能を大幅に向上させた。
  論文  参考訳（メタデータ） (2025-03-12T18:05:32Z)
• Concealed Adversarial attacks on neural networks for sequential data [2.1879059908547482]
  我々は、異なる時系列モデルに対する隠れた敵攻撃を開発する。 より現実的な摂動を提供し、人間またはモデル判別器によって検出するのが困難である。 この結果から,堅牢な時系列モデルを設計する上での課題が浮き彫りになった。
  論文  参考訳（メタデータ） (2025-02-28T11:03:32Z)
• Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [81.93945602120453]
  本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。 フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。 設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
  論文  参考訳（メタデータ） (2024-08-23T01:53:36Z)
• GE-AdvGAN: Improving the transferability of adversarial samples by gradient editing-based adversarial generative model [69.71629949747884]
  GAN(Generative Adversarial Networks)のような逆生成モデルは、様々な種類のデータを生成するために広く応用されている。 本研究では, GE-AdvGAN という新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-11T16:43:16Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• Meta Adversarial Perturbations [66.43754467275967]
  メタ逆境摂動(MAP)の存在を示す。 MAPは1段階の上昇勾配更新によって更新された後、自然画像を高い確率で誤分類する。 これらの摂動は画像に依存しないだけでなく、モデルに依存しないものであり、単一の摂動は見えないデータポイントと異なるニューラルネットワークアーキテクチャにまたがってうまく一般化される。
  論文  参考訳（メタデータ） (2021-11-19T16:01:45Z)
• Towards Adversarial Patch Analysis and Certified Defense against Crowd Counting [61.99564267735242]
  安全クリティカルな監視システムの重要性から、群衆のカウントは多くの注目を集めています。 近年の研究では、ディープニューラルネットワーク(DNN)の手法が敵の攻撃に弱いことが示されている。 群衆カウントモデルのロバスト性を評価するために,Momentumを用いた攻撃戦略としてAdversarial Patch Attackを提案する。
  論文  参考訳（メタデータ） (2021-04-22T05:10:55Z)
• Adversarial Poisoning Attacks and Defense for General Multi-Class Models Based On Synthetic Reduced Nearest Neighbors [14.968442560499753]
  最先端の機械学習モデルは、データ中毒攻撃に弱い。 本論文では,データのマルチモダリティに基づく新しいモデルフリーラベルフリップ攻撃を提案する。 第二に、SRNN(Synthetic reduced Nearest Neighbor)モデルに基づく新しい防御技術を提案する。
  論文  参考訳（メタデータ） (2021-02-11T06:55:40Z)

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。