1.TSFool: создание высококачественных состязательных временных рядов с помощью многоцелевой оптимизации для обмана классификаторов повторяющихся нейронных сетей(arXiv)
Автор: Янюнь Ван, Дэхой Ду, Юаньхао Лю
Вывод:классификаторы глубокой нейронной сети (DNN) уязвимы для атак со стороны злоумышленников. Несмотря на то, что существующие атаки на основе градиента достигли хорошей производительности в задачах модели с прямой связью и распознавания изображений, расширение для классификации временных рядов в рекуррентной нейронной сети (RNN) остается дилеммой, поскольку циклическая структура RNN препятствует прямой дифференциации модели и визуальная чувствительность к возмущениям данных временных рядов бросает вызов традиционной цели локальной оптимизации по минимизации возмущений. В этой статье предлагается эффективный и широко применимый подход под названием TSFool для создания высококачественных состязательных временных рядов для классификатора RNN. Мы предлагаем новую глобальную цель оптимизации под названием «Коэффициент маскировки», чтобы рассмотреть, насколько хорошо образцы злоумышленников прячутся в кластерах классов, и, соответственно, переопределить высококачественную атаку злоумышленников как многоцелевую задачу оптимизации. Мы также предлагаем новую идею использования интервализованных взвешенных конечных автоматов (IWFA) для захвата глубоко укоренившихся уязвимых выборок, имеющих инаковость между признаками и скрытым многообразием, для приближения к решению оптимизации. Проведены эксперименты на 22 наборах данных UCR, чтобы подтвердить, что TSFool является широко эффективным, действенным и высококачественным подходом с меньшим локальным возмущением на 93,22%, лучшей глобальной маскировкой на 32,33% и ускорением в 1,12 раза по сравнению с существующими методами.
2. Чем проще, тем лучше: многоуровневая абстракция с рекуррентными ячейками графовой сверточной нейронной сети для прогнозирования трафика(arXiv)
Автор: Нагмех Шафи Рудбари, Закари Паттерсон, Урсула Эйкер, Хараламбос Пулис
Аннотация: В последние годы графовые нейронные сети (GNN) в сочетании с вариантами рекуррентных нейронных сетей (RNN) достигли самых современных результатов в задачах пространственно-временного прогнозирования. Это особенно актуально для прогнозирования трафика, где модели GNN используют структуру графа дорожных сетей для учета пространственной корреляции между ссылками и узлами. Недавние решения либо основаны на сложных операциях с графами, либо избегают предопределенных графов. В этой статье предлагается новая архитектура последовательностей для извлечения пространственно-временной корреляции на нескольких уровнях абстракции с использованием ячеек GNN-RNN с разреженной архитектурой для сокращения времени обучения по сравнению с более сложными конструкциями. Кодирование одной и той же входной последовательности с помощью нескольких кодировщиков с постепенным увеличением уровней кодировщика позволяет сети изучать общую и подробную информацию посредством многоуровневой абстракции. Далее мы представляем новый эталонный набор данных о дорожном движении на уровне улиц из Монреаля, Канада. В отличие от автомобильных дорог, участки городских дорог цикличны и характеризуются сложными пространственными зависимостями. Экспериментальные результаты на эталонном шоссе METR-LA и наших наборах данных сегментов улиц MSLTD показывают, что наша модель повышает производительность более чем на 7% для одночасового прогноза по сравнению с базовыми методами, при этом требования к вычислительным ресурсам снижаются более чем наполовину по сравнению с другими методами. конкурирующие методы
3.ReX: платформа для создания локальных пояснений к рекуррентным нейронным сетям(arXiv)
Автор: Цзюньхао Лю, Синь Чжан
Аннотация: мы предлагаем общую структуру для адаптации различных методов локального объяснения к рекуррентным нейронным сетям. В частности, наши объяснения добавляют временную информацию, которая расширяет объяснения, созданные с помощью существующих методов, чтобы охватить точки данных, которые имеют другую длину по сравнению с исходной точкой входных данных. Наш подход является общим, поскольку он только изменяет модель возмущения и представление признаков существующих методов, не затрагивая их основные алгоритмы. Мы применили наш подход к LIME и Anchors. Наша эмпирическая оценка показывает, что это эффективно повышает полезность объяснений, генерируемых этими двумя методами, в сети анализа настроений и в сети обнаружения аномалий.
