面向时序预测的深度状态空间模型对抗鲁棒性
Adversarial Robustness of Deep State Space Models for Forecasting
AI 导读
论文以控制论视角研究时序预测深度状态空间模型（SSM）在对抗扰动下的鲁棒性，聚焦 Spacetime SSM 预测器。作者证明 decoder-only 的 Spacetime 架构在数据生成过程为自回归时可表示最优 Kalman 预测器，并称这一性质为其他 SSM 所不具备。论文将鲁棒预测器设计形式化为与受检测预算约束的最坏情况隐蔽对手之间的 Stackelberg 博弈，通过对抗训练求解，并推导出对抗预测误差的闭式界，揭示开环不稳定、闭环不稳定和解码器状态维度都会放大脆弱性。研究还表明，无法访问预测器的对手也能利用模型局部线性的输入输出行为绕过梯度计算构造有效攻击；在 Monash 基准数据集上的实验显示，这类无需梯度计算的攻击比小步长投影梯度下降（PGD）至少多造成 33% 的误差。