智能互联基础设施中的多变量时间序列预测的对抗攻击与防御
原文中文，约300字，阅读约需1分钟。发表于：。本研究针对深度学习模型在多变量时间序列预测中受到对抗攻击的问题，探索其对模型预测精度的影响，并提出了有效的防御策略。通过采用对抗训练和模型增强方法，我们展示了攻击的可转移性，并在电力数据和硬盘故障预测的真实数据集上取得显著的RMSE降低效果，提升了模型的安全性和鲁棒性。
本文研究了时间序列预测中准确性和鲁棒性的平衡问题，并提出了一种新的防御机制。该机制通过组合分类器、降噪器和标准预测器，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。研究结果表明，通过改进分类器和降噪器，可以在性能和鲁棒性之间取得最优的平衡。
