Lightweight Defense Against Adversarial Attacks in Time Series Classification

📄 arXiv: 2505.02073v1 📥 PDF

作者: Yi Han

分类: cs.LG, cs.AI

发布日期: 2025-05-04

备注: 13 pages, 8 figures. Accepted at RAFDA Workshop, PAKDD 2025 (Springer, EI & Scopus indexed). Code: https://github.com/Yi126/Lightweight-Defence

💡 一句话要点

提出基于数据增强的时间序列分类对抗攻击轻量级防御方法

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 时间序列分类 对抗攻击 对抗防御 数据增强 鲁棒性 集成学习 轻量级防御

📋 核心要点

  1. 现有时间序列分类模型容易受到对抗攻击的影响，而对抗训练计算成本高昂，限制了其应用。
  2. 论文提出五种基于数据增强的轻量级防御方法，旨在提高时间序列分类模型对对抗攻击的鲁棒性。
  3. 实验结果表明，所提出的集成方法在防御性能和泛化能力上优于基于PGD的对抗训练，且计算资源消耗更少。

📝 摘要（中文）

随着时间序列分类(TSC)越来越重要，确保TSC模型对对抗攻击的鲁棒性至关重要。虽然对抗防御在计算机视觉(CV)领域得到了充分研究，但TSC领域主要依赖于计算成本高昂的对抗训练(AT)。本文开发了五种专为时间序列量身定制的基于数据增强的防御方法，其中计算量最大的方法与原始TSC模型相比，仅增加了14.07%的计算资源。此外，这些方法的部署过程非常简单。利用这些方法的优势，我们创建了两种组合方法。其中一种方法是所有提出的技术的集成，它不仅提供了比基于PGD的AT更好的防御性能，而且还增强了TSC模型的泛化能力。此外，我们的集成所需的计算资源不到基于PGD的AT所需计算资源的三分之一。这些方法推动了数据挖掘中鲁棒的TSC。此外，随着基础模型越来越多地被用于时间序列特征学习，我们的工作为未来研究中将基于数据增强的对抗防御与大规模预训练模型集成提供了见解。

🔬 方法详解

问题定义：论文旨在解决时间序列分类（TSC）模型在面对对抗攻击时鲁棒性不足的问题。现有的主要防御方法，如对抗训练（AT），计算成本高昂，限制了其在实际应用中的可行性。因此，需要开发一种计算效率更高、部署更简便的防御方法。

核心思路：论文的核心思路是利用数据增强技术来提高TSC模型对对抗样本的鲁棒性。通过对原始时间序列数据进行各种变换，生成新的训练样本，从而使模型能够更好地适应对抗扰动，提高泛化能力。这种方法避免了对抗训练中生成对抗样本的复杂过程，显著降低了计算成本。

技术框架：论文提出了五种基于数据增强的防御方法，并将其组合成两种集成方法。整体流程包括：1）原始时间序列数据输入；2）应用五种数据增强方法生成新的训练样本；3）使用增强后的数据训练TSC模型；4）评估模型在对抗攻击下的性能。其中一种集成方法是简单地将所有五种方法的结果进行集成。

关键创新：论文的关键创新在于将数据增强技术应用于时间序列分类的对抗防御，并设计了五种针对时间序列特点的数据增强方法。这些方法计算效率高，易于部署，并且能够有效提高模型的鲁棒性。此外，论文还提出了将这些方法集成的策略，进一步提升了防御性能和泛化能力。

关键设计：五种数据增强方法的具体细节未知，但论文强调了这些方法是专门为时间序列数据设计的。集成方法的设计也较为简单，直接将多种数据增强方法的结果进行组合。论文中提到，计算量最大的数据增强方法也仅比原始模型增加14.07%的计算资源，这表明这些方法的设计非常轻量级。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文提出的集成方法在防御性能上优于基于PGD的对抗训练，同时显著降低了计算成本，仅为对抗训练的三分之一。此外，该集成方法还提高了模型的泛化能力。这些结果表明，基于数据增强的防御方法是一种有效的、轻量级的对抗防御策略，具有很强的实际应用价值。

🎯 应用场景

该研究成果可应用于各种时间序列分类任务中，例如：医疗诊断（心电图分析）、金融预测（股票价格预测）、工业监控（设备故障检测）等。通过提高时间序列分类模型对对抗攻击的鲁棒性，可以增强这些应用的安全性和可靠性，防止恶意攻击者通过构造对抗样本来干扰模型的正常运行。该研究为未来将数据增强方法与大规模预训练模型结合，进一步提升时间序列分析的性能奠定了基础。

📄 摘要（原文）

As time series classification (TSC) gains prominence, ensuring robust TSC models against adversarial attacks is crucial. While adversarial defense is well-studied in Computer Vision (CV), the TSC field has primarily relied on adversarial training (AT), which is computationally expensive. In this paper, five data augmentation-based defense methods tailored for time series are developed, with the most computationally intensive method among them increasing the computational resources by only 14.07% compared to the original TSC model. Moreover, the deployment process for these methods is straightforward. By leveraging these advantages of our methods, we create two combined methods. One of these methods is an ensemble of all the proposed techniques, which not only provides better defense performance than PGD-based AT but also enhances the generalization ability of TSC models. Moreover, the computational resources required for our ensemble are less than one-third of those required for PGD-based AT. These methods advance robust TSC in data mining. Furthermore, as foundation models are increasingly explored for time series feature learning, our work provides insights into integrating data augmentation-based adversarial defense with large-scale pre-trained models in future research.