突破界限：在深层网络流量预测中平衡性能和稳健性
原文中文，约400字，阅读约需1分钟。发表于：。在时间序列预测中，准确性和鲁棒性之间的平衡是一个长期存在的挑战。本文研究了一系列的扰动情景，并提出了一种基于真实的电信数据的对抗攻击的新型防御机制。通过将分类器用于检测对抗样本，降噪器用于消除扰动数据样本中的噪声以及标准预测器的组合，我们的混合策略在干净和扰动数据上表现出最佳性能。同时，在正常和扰动数据上，我们的优化模型相对于基准方法在均方差方面的性能提高了 2.71 倍和 2.51...
本文研究了时间序列预测中准确性和鲁棒性之间的平衡问题，并提出了一种新型防御机制。通过使用分类器检测对抗样本、降噪器消除扰动数据中的噪声以及标准预测器的组合，该混合策略在干净和扰动数据上表现出最佳性能。优化模型相对于基准方法在均方差方面的性能提高了2.71倍和2.51倍，并且组件间可以并行训练，提高了计算效率。结果表明，通过改进分类器和降噪器，即使在复杂的破坏性攻击条件下，仍然可以在性能和鲁棒性之间取得最优的平衡。
