1. Πρακτικές αντίθετες επιθέσεις σε χωροχρονικά μοντέλα πρόβλεψης κυκλοφορίας (arXiv)
Συγγραφέας : Fan Liu, Hao Liu, Wenzhao Jiang
Περίληψη:Τα μοντέλα πρόβλεψης κυκλοφορίας που βασίζονται σε μηχανική μάθηση αξιοποιούν εξελιγμένους χωροχρονικούς αυτόματους συσχετισμούς για να παρέχουν ακριβείς προβλέψεις για τις καταστάσεις κυκλοφορίας σε όλη την πόλη. Ωστόσο, οι υπάρχουσες μέθοδοι προϋποθέτουν ένα αξιόπιστο και αμερόληπτο περιβάλλον πρόβλεψης, το οποίο δεν είναι πάντα διαθέσιμο στη φύση. Σε αυτή την εργασία, διερευνούμε την ευπάθεια των μοντέλων πρόβλεψης χωροχρονικής κυκλοφορίας και προτείνουμε ένα πρακτικό πλαίσιο χωροχρονικής επίθεσης. Συγκεκριμένα, αντί της ταυτόχρονης επίθεσης σε όλες τις γεω-κατανεμημένες πηγές δεδομένων, προτείνεται μια επαναληπτική μέθοδος προεξοχής κόμβων καθοδηγούμενη από κλίση για τον προσδιορισμό του συνόλου των κόμβων των θυμάτων που εξαρτάται από το χρόνο. Επιπλέον, επινοούμε ένα χωροχρονικό σχέδιο καθόδου με κλίση για να δημιουργήσουμε καταστάσεις αντίπαλης κυκλοφορίας με πραγματική αξία κάτω από έναν περιορισμό διαταραχής. Εν τω μεταξύ, επιδεικνύουμε θεωρητικά το χειρότερο όριο απόδοσης των αντίθετων επιθέσεων πρόβλεψης κυκλοφορίας. Εκτεταμένα πειράματα σε δύο σύνολα δεδομένων πραγματικού κόσμου δείχνουν ότι το προτεινόμενο πλαίσιο δύο βημάτων επιτυγχάνει έως και 67,8% υποβάθμιση της απόδοσης σε διάφορα προηγμένα χωροχρονικά μοντέλα πρόβλεψης. Αξιοσημείωτα, δείχνουμε επίσης ότι η εκπαίδευση αντιπάλου με τις προτεινόμενες επιθέσεις μας μπορεί να βελτιώσει σημαντικά την ευρωστία των χωροχρονικών μοντέλων πρόβλεψης κυκλοφορίας. Ο κωδικός μας είναι διαθέσιμος στη διεύθυνση \url{https://github.com/luckyfan-cs/ASTFA}.
2. Towards Automatic Forecasting: Evaluation of Time-Series Forecasting Models for Anempox Extimation in Hungary (arXiv)
Συγγραφέας :Wadie Skaf, Arzu Tosayeva, Dániel T. Várkonyi
Περίληψη: Η Πρόβλεψη Χρονοσειρών είναι ένας ισχυρός κλάδος μοντελοποίησης δεδομένων που αναλύει ιστορικές παρατηρήσεις για να προβλέψει τις μελλοντικές τιμές μιας χρονοσειράς. Έχει χρησιμοποιηθεί σε πολλές εφαρμογές, συμπεριλαμβανομένων ενδεικτικά της οικονομίας, της μετεωρολογίας και της υγείας. Σε αυτό το άρθρο, χρησιμοποιούμε τεχνικές πρόβλεψης χρονοσειρών για να μοντελοποιήσουμε και να προβλέψουμε τη μελλοντική επίπτωση της ανεμοβλογιάς. Για να το πετύχουμε αυτό, υλοποιούμε και προσομοιώνουμε πολλαπλά μοντέλα και τεχνικές προεπεξεργασίας δεδομένων σε ένα σύνολο δεδομένων που συλλέγει η Ουγγαρία. Αποδεικνύουμε ότι το μοντέλο LSTM ξεπερνά όλα τα άλλα μοντέλα στη συντριπτική πλειονότητα των πειραμάτων όσον αφορά τις προβλέψεις σε επίπεδο νομού, ενώ το μοντέλο SARIMAX έχει καλύτερη απόδοση σε εθνικό επίπεδο. Αποδεικνύουμε επίσης ότι η απόδοση της παραδοσιακής μεθόδου προεπεξεργασίας δεδομένων είναι κατώτερη από εκείνη της μεθόδου προεπεξεργασίας δεδομένων που έχουμε προτείνει
3.Εντοπισμός και υπέρβαση της μεροληψίας μετασχηματισμού στα μοντέλα πρόβλεψης (arXiv)
Συντάκτης :Sushant More
Περίληψη : Οι μετασχηματισμοίog και τετραγωνικής ρίζας της μεταβλητής στόχου χρησιμοποιούνται συνήθως σε μοντέλα πρόβλεψης για την πρόβλεψη μελλοντικών πωλήσεων. Αυτοί οι μετασχηματισμοί συχνά οδηγούν σε μοντέλα με καλύτερη απόδοση. Ωστόσο, εισάγουν επίσης μια συστηματική αρνητική προκατάληψη (υπο-πρόβλεψη). Σε αυτό το άρθρο, αποδεικνύουμε την ύπαρξη αυτής της μεροληψίας, βουτάμε βαθιά στη βασική αιτία της και εισάγουμε δύο μεθόδους για τη διόρθωση της μεροληψίας. Συμπεραίνουμε ότι οι προτεινόμενες μέθοδοι διόρθωσης μεροληψίας βελτιώνουν την απόδοση του μοντέλου (έως και 50%) και δικαιολογούν την ενσωμάτωση της διόρθωσης μεροληψίας στη ροή εργασιών μοντελοποίησης. Πειραματιζόμαστε επίσης με την οικογένεια συναρτήσεων κόστους «Tweedie», η οποία παρακάμπτει το ζήτημα της μεροληψίας του μετασχηματισμού κάνοντας μοντελοποίηση απευθείας στις πωλήσεις. Συμπεραίνουμε ότι η παλινδρόμηση Tweedie δίνει την καλύτερη απόδοση μέχρι στιγμής κατά τη μοντελοποίηση των πωλήσεων, καθιστώντας την μια ισχυρή εναλλακτική λύση στην εργασία με μια μετασχηματισμένη μεταβλητή στόχου.
