主要观点总结
这篇文章介绍了针对时间序列预测的后门攻击的研究，探讨了深度学习模型在面对时间序列预测任务时可能面临的安全问题。文章首次全面地定义了时间序列预测的后门攻击范式，并提供了对应的双层优化数学模型。提出了一种模型无关的BackTime攻击方法，旨在通过改变时间依赖和跨变量依赖来影响被攻击模型的预测结果。
关键观点总结
关键观点1: 文章背景及投稿信息
文章获选Neurips 2024 Spotlight，作者来自伊利诺伊大学香槟分校计算机系，第一作者是博士生林啸，指导老师是童行行教授。文章介绍了IDEA实验室的研究兴趣，并提供了论文和GitHub链接。
关键观点2: 多变量时间序列预测的现实应用
多变量时间序列预测任务在现实世界中有广泛应用，如气象预测、交通预测等。深度学习模型在这一任务中展现出强大的预测能力。
关键观点3: 时间序列预测的后门攻击问题
文章首次全面地定义了时间序列预测的后门攻击范式，并指出传统的后门攻击无法适用于时间序列预测。因此，开创性地提出时间序列预测的后门攻击目标及其多条重要特性。
关键观点4: 双层优化数学模型和BackTime攻击方法
为了应对时间序列预测的后门攻击，文章提出了双层优化数学模型和模型无关的BackTime攻击方法。该方法通过改变时间依赖和跨变量依赖来影响被攻击模型的预测结果。
关键观点5: 实验评估
文章通过实验评估了BackTime攻击的有效性、目标模式多样性和隐蔽性。结果显示，BackTime能在多种数据集和模型上实现有效的攻击，并保持模型的正常预测能力。
文章预览
AIxiv专栏是机器之心发布学术、技术内容的栏目。过去数年，机器之心AIxiv专栏接收报道了2000多篇内容，覆盖全球各大高校与企业的顶级实验室，有效促进了学术交流与传播。如果您有优秀的工作想要分享，欢迎投稿或者联系报道。 投稿邮箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com 这篇文章获选 Neurips 2024 Spotlight，作者均来自于伊利诺伊大学香槟分校计算机系。第一作者是博士生林啸，指导老师是童行行教授。所在的 IDEA 实验室的研究兴趣涵盖图机器学习、可信机器学习、LLM 优化以及数据挖掘等方面。 论文链接：https://arxiv.org/pdf/2410.02195 github 链接: https://github.com/xiaolin-cs/backtime neurips 主页 : https://neurips.cc/virtual/2024/poster/95645 多变量时间序列（MTS）预测任务在现实世界中有着广泛的应用，例如气象预测、交通预测等。而深度学习模型在这一任务上
………………………………
