Reconstruction-Error Based Data-Efficient Backdoor Attacks for Multivariate Time Series Forecasting

Luyi Zhong

doi:10.1109/lsp.2026.3736349

Reconstruction-Error Based Data-Efficient Backdoor Attacks for Multivariate Time Series Forecasting

2026-09-21

0

PRE

AI

DOI：10.1109/lsp.2026.3736349

原文链接

原文求助

摘要

En 中文

深度神经网络（DNNs）已广泛应用于多元时间序列（MTS）预测。后门攻击可通过污染部分训练数据来操纵模型行为并误导下游决策，这对模型安全构成了严峻挑战。近期研究表明，在背门攻击中，污染样本的选择效率至关重要，因为不同样本在DNN训练过程中会引发不同的参数更新，最终影响攻击效果。现有选择方法通常定义评分指标来评估不同训练样本，然后根据评分选择样本。然而，对于MTS数据，每个样本内的污染变量仍较少被探索。在本研究中，我们证明，针对不同重建误差（RE）的变量和时间片段进行污染会产生不同的攻击效果。基于这一观察，我们提出了DEBA-MTS，一种简单而高效的样本选择策略。DEBA-MTS从变量和时间片段的角度获取RE评分，并通过RE差异选择样本。在真实数据集和主流预测模型上的实验证明了DEBA-MTS的有效性。

Keyword:

Multivariate time series forecasting

backdoor attack

data-efficient

reconstruction error

data security

Reconstruction-Error Based Data-Efficient Backdoor Attacks for Multivariate Time Series Forecasting

摘要

期刊

机构

引用论文