原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
第
51
卷
第
1
期自
动
化
学
报Vol.
51,
No.
1
2025
年
1
月ACTA
AUTOMATICA
SINICAJanuary,
2025
时间序列分类模型的集成对抗训练防御方法
111111
王璐瑶
曹
渊
刘博涵
曾
恩
刘
坤
夏元清
摘要深度学习是解决时间序列分类(Time
series
classification,
TSC)问题的主要途径之一.
然而,
基于深度学习的
TSC模型易受到对抗样本攻击,
从而导致模型分类准确率大幅度降低.
为此,
研究了TSC模型的对抗攻击防御问题,
设计
了集成对抗训练(Adversarial
training,
AT)防御方法.
首先,
设计了一种针对TSC模型的集成对抗训练防御框架,
通过多
种TSC模型和攻击方式生成对抗样本,
并用于训练目标模型.
其次,
在生成对抗样本的过程中,
设计了基于Shapelets的局
部扰动算法,
并结合动量迭代的快速梯度符号法(Momentum
iterative
fast
gradient
sign
method,
MI-FGSM),
实现了有
效的白盒攻击.
同时,
使用知识蒸馏(Knowledge
distillation,
KD)和基于沃瑟斯坦距离的生成对抗网络(Wasserstein
gen-
erative
adversarial
network,
WGAN)设计了针对替代模型的黑盒对抗攻击方法,
实现了攻击者对目标模型未知时的有效
攻击.
在此基础上,
在对抗训练损失函数中添加Kullback-Leibler
(KL)散度约束,
进一步提升了模型鲁棒性.
最后,
在多变
量时间序列分类数据集UEA上验证了所提方法的有效性.
关键词时间序列,
对抗样本,
对抗训练,
模型鲁棒性
引用格式
王璐瑶,
曹渊,
刘博涵,
曾恩,
刘坤,
夏元清.
时间序列分类模型的集成对抗训练防御方法.
自动化学报,
2025,
51(1):
144−160
DOI
10.16383/j.aas.c240050
CSTR
32138.14.j.aas.c240050
EnsembleAdversarialTrainingDefenseforTimeSeriesClassificationModels
111111
WANG
Lu-Yao
CAO
Yuan
LIU
Bo-Han
ZENG
En
LIU
Kun
XIA
Yuan-Qing
AbstractDeep
learning
is
one
of
the
primary
approaches
to
solve
the
time
series
classification
(TSC)
problems.
However,
TSC
models
based
on
deep
learning
are
susceptible
to
adversarial
attacks,
leading
to
a
significant
de-
crease
in
model
classification
accuracy.
This
paper
investigates
the
issue
of
defense
against
adversarial
a
文档评论（0）